Constructie en klinische validatie van een voorspellend model voor postoperatieve adjuvante therapie bij hepatocellulair carcinoom op basis van volledige digitale pathologische beelden en deep learning

# I. Studieachtergrond en -doelstellingen Hepatocellulair Carcinoom (HCC) is een veelvoorkomende kwaadaardige tumor wereldwijd, die 6e staat in termen van incidentie en 3e in mortaliteit wereldwijd. Het veroorzaakt ongeveer 480.000 sterfgevallen per jaar, waarbij China meer dan 45% van de wereldwijde gevallen vertegenwoordigt, wat een uiterst zware ziektelast vormt 1. Radicale chirurgische resectie is het belangrijkste middel voor patiënten met vroeg stadium leverkanker om langdurige overleving te bereiken. Echter, de 5-jaars postoperatieve recidiefkans is zo hoog als 50%-70%, wat de prognose van patiënten ernstig beperkt 2. Postoperatieve adjuvante therapie is een sleutelstrategie geworden om recidief uit te stellen en overleving te verbeteren. Onder dergelijke therapieën zijn Transarteriële Chemo-embolisatie (TACE) en Tyrosine Kinase Remmers (TKIs, zoals sorafenib en lenvatinib) veelvuldig gebruikt bij de behandeling van patiënten met een hoog risico op recidief 1,3.

TACE induceert ischemische necrose door lokaal emboliseren van tumorvoedende bloedvaten gecombineerd met chemotherapie medicatie perfusie, en is geschikt voor intermediair stadium leverkanker 4,5. Multitarget TKI medicijnen kunnen daarentegen systematisch signaalroutes zoals Vascular Endothelial Growth Factor Receptor (VEGFR) en Platelet-derived Growth Factor Receptor (PDGFR) remmen, waardoor anti-angiogenetische en anti-tumor proliferatie effecten worden uitgeoefend, en zijn de standaardbehandeling geworden voor gevorderde leverkanker 3. Desalniettemin hebben beide behandelingsmodaliteiten significante beperkingen: de objectieve responsratio van TACE is doorgaans slechts 50%-60%, en sommige patiënten kunnen er geen baat bij hebben en kunnen zelfs leverfunctieschade ervaren 6. Hoewel TKIs de Recidief-Vrije Overleving (RFS) van hoogrisico postoperatieve patiënten met 3-5 maanden kunnen verlengen, is de behandelingsresponsratio in ongeselecteerde populaties minder dan 20%, en de incidentie van graad 3-4 bijwerkingen (zoals hypertensie, hand-voet huidreactie en proteïnurie) is meer dan 50%, wat leidt tot behandelingstop bij 20% van de patiënten vanwege intolerantie voor toxische bijwerkingen 3,7,8. Momenteel ontbreekt de kliniek een efficiënt en betrouwbaar biomarkersysteem voor het identificeren van potentiële baatpopulaties. Als gevolg hiervan blijven behandelingsbeslissingen afhankelijk van klinische ervaring (bijvoorbeeld gebaseerd op traditionele pathologische kenmerken zoals tumorgrootte en vasculaire invasie), wat resulteert in beperkte individualisering, verspilling van medische hulpbronnen en extra behandelingslast voor patiënten.

Recente studies hebben aangetoond dat de Tumor Immuun Micro-omgeving (TIME) een sleutelbiologische basis is die de therapeutische gevoeligheid van TACE en TKIs beïnvloedt 3. De samenstellingskenmerken van TIME, inclusief immuuncelinfiltratie (zoals CD8⁺ T-cellen, Tregs, CTLs en M2-type tumor-geassocieerde macrofagen), de expressie van immuuncheckpoint moleculen (zoals Programmed Cell Death Ligand 1, PD-L1) en ruimtelijke structuur, zijn nauw gerelateerd aan behandelingsrespons 9-12. Bijvoorbeeld, een immuun-inflammatoire TIME (hoge CD8⁺ T-celdichtheid en vorming van tertiaire lymfoïde structuren) kan positief gecorreleerd zijn met tumornecrose na TACE en TKI behandelingsrespons; daarentegen geeft een immuun-vrijgesteld of woestijn fenotype vaak behandelingsresistentie aan 13-15. Echter, huidige TIME-beoordeling is grotendeels afhankelijk van hoge-resolutie technologieën zoals Multiplex Immunohistochemie (mIHC) en ruimtelijke transcriptomica. Hoewel deze methoden de micro-omgeving in detail kunnen beschrijven, hebben ze toepassingsknelpunten zoals hoge kosten, complexe werking, hoge eisen aan monsterkwaliteit en lage standaardisatie, wat hun klinische promotie beperkt.

Doorbraken in kunstmatige intelligentie, met name deep learning technologie, hebben een nieuwe benadering geboden voor het delven van diepgaande pathologische informatie uit conventionele Hematoxyline en Eosine (HE)-gekleurde Whole Slide Imaging (WSI). Als routinegegevens voor postoperatieve pathologische diagnose (elke HCC-patiënt zal HE-gekleurde WSI hebben gegenereerd na operatie zonder extra bemonstering of testen), bevat WSI cellulaire morfologie en weefselstructuur details waarvan is bewezen dat ze de kernkenmerken van TIME in kaart brengen. Bijvoorbeeld, door architecturen zoals Convolutional Neural Network (CNN) en Vision Transformer (ViT) kunnen morfologische patronen gerelateerd aan CD8⁺ T-celinfiltratiedichtheid en PD-L1-expressie automatisch worden geïdentificeerd, waardoor cross-modale voorspelling van "HE morfologie → immuunstatus" mogelijk wordt 16,17. De meest recente studies hebben bevestigd dat deep learning modellen gebaseerd op HE-WSI Microsatelliet Instabiliteit (MSI) in colorectale kanker met hoge nauwkeurigheid kunnen voorspellen (AUC 0.88) 18, PD-L1-expressie (AUC 0.80) en Tumor Mutatie Last (TMB, AUC 0.91) in niet-kleincellige longkanker 19,20. Op het gebied van leverkanker hebben studies ook WSI deep learning gebruikt om postoperatief recidiefrisico (AUC 0.82) en immuuncelinfiltratie in leverkankerweefsels (AUC 0.78) te voorspellen 21,22. Echter, geen studies hebben zich gericht op het klinische pijnpunt van "voorspellen van de effectiviteit van postoperatieve adjuvante therapie (TACE/TKI)", en er is een gebrek aan multicenter, grote-steekproef klinische validatie.

Daarom helpt de constructie van een voorspellend model voor postoperatieve adjuvante therapie van HCC gebaseerd op HE-gekleurde WSI en deep learning algoritmen niet alleen bij het analyseren van de mechanismerol van TIME in behandelingsrespons, maar doorbreekt het ook de beperkingen van bestaande detectietechnologieën zoals hoge kosten, lange cyclus en afhankelijkheid van speciale platforms, waardoor de ontwikkeling van leverkanker adjuvante therapiebeslissingen naar precisie en toegankelijkheid wordt bevorderd. Dit project beoogt multicenter klinisch-pathologische gegevens te integreren met kunstmatige intelligentie algoritmen om een digitaal pathologisch model geschikt voor het voorspellen van de effectiviteit van TACE en TKI te vestigen, en strenge klinische validatie uit te voeren, met als doel een wetenschappelijk en betrouwbaar besluitvormingsinstrument te bieden voor postoperatieve behandelingselectie van HCC.

# II. Specifieke Procedures en Werkstroom Deze studie is een uitgebreid onderzoek dat diagnostische proeven en interventionele studies combineert, verdeeld in twee grote delen en meerdere fasen. Het doel is om een kunstmatige intelligentie-gebaseerd voorspellend systeem voor postoperatieve adjuvante therapie van Hepatocellulair Carcinoom (HCC) te ontwikkelen en valideren. De algemene studie volgt het gestandaardiseerde proces voor de ontwikkeling van Kunstmatige Intelligentie (AI)-gebaseerde Software als een Medisch Hulpmiddel (SaMD), inclusief retrospectieve gegevensverzameling, modelontwikkeling en -training, retrospectieve validatie, prospectieve observationele validatie en uiteindelijke prospectieve interventionele studie.

• Deel 1: Constructie en Validatie van Tumor Micro-omgeving Herkenningsmodel

  • Ontwikkelings- en Trainingsfase Publieke datasets (bijv., The Cancer Genome Atlas, TCGA) en een retrospectieve dataset van het onderzoekscentrum (n=1500, met 400 gevallen reeds verzameld) zullen worden gebruikt als de trainingsset. De kerntaak van deze fase is om een deep learning model (bijv., een architectuur gebaseerd op Vision Transformer of ResNet) te ontwikkelen voor het automatisch identificeren, segmenteren en kwantificeren van sleutel tumor micro-omgeving kenmerken uit Hematoxyline en Eosine (HE)-gekleurde Whole Slide Images (WSIs). Deze kenmerken omvatten maar zijn niet beperkt tot de mate van immuuncelinfiltratie, stromale proportie, vasculaire invasie en necrotische gebieden. Alle afbeeldingen zullen onafhankelijk en geblindeerd worden geannoteerd door minstens twee senior pathologen. Meningsverschillen zullen worden opgelost door consensus of arbitrage door een derde senior patholoog om de gouden standaard te vormen.
  • Externe Validatiefase Een retrospectieve WSI dataset van 8-10 binnenlandse samenwerkende medische centra zal worden gebruikt om voorlopige validatie van de generalisatiecapaciteit van het model uit te voeren. Deze fase beoogt de robuustheid van het model onder verschillende scanapparatuur, verschillende slide voorbereidings- en kleuringsprocessen, en verschillende interpretatiegewoonten van pathologen te evalueren.
• Deel 2: Constructie van Behandelingsrespons Voorspellingsmodel en Multilevel Klinische Validatie

Dit deel is de kern van de studie. Het beoogt een classificatiemodel te construeren dat de respons van patiënten op verschillende postoperatieve adjuvante behandelingsregimes (alleen chirurgie, chirurgie + TACE, chirurgie + TACE + TKI) kan voorspellen, gebaseerd op de output van het model in Deel 1 (d.w.z., de gekwantificeerde tumor micro-omgeving kenmerken) gecombineerd met noodzakelijke klinische variabelen (zoals TNM-stadium, leverfunctie Child-Pugh classificatie en AFP-niveau). Dit deel neemt een strikte hiërarchische validatiestrategie aan:

• Model Trainingsfase Retrospectieve gegevens van het onderzoekscentrum (n=1500) zullen worden gebruikt. Patiënten die worden opgenomen moeten voldoen aan de volgende criteria: ① pathologisch bevestigd HCC; ② radicale resectie ondergaan; ③ volledige postoperatieve adjuvante therapie en follow-up gegevens hebben. Definitie van behandelingsrespons: het primaire eindpunt is Recidief-Vrije Overleving (RFS), en de secundaire eindpunten omvatten Algemene Overleving (OS) en Objectieve Responsratio (ORR). Training zal worden uitgevoerd met multi-klasse machine learning algoritmen (zoals gradient boosting trees en deep neural networks) om het behandelingsregime categorie uit te voeren waarvan de patiënt het meest waarschijnlijk baat heeft.
• Interne Validatiefase Een onafhankelijke validatieset (n≈500, niet-overlappend met de trainingsset) zal worden gereserveerd uit de gegevens van het centrum via willekeurige verdeling. Het zal worden gebruikt om initieel de discriminerende prestaties van het model te evalueren en hyperparameterafstemming uit te voeren om overfitting te voorkomen.
• Externe Validatiefase 1 (Retrospectieve Validatie en Model Calibratie) Retrospectieve gegevens van meerdere centra in het hele land (8-10 centra, n=3000) zullen worden verzameld. De belangrijkste doelen van deze fase zijn: ① om de modelprestaties op een grootschaligere en meer heterogene externe dataset te valideren; ② om het model te kalibreren of beperkte iteratieve optimalisatie uit te voeren op basis van de validatieresultaten om het uiteindelijk gefinaliseerde voorspellende model te vormen.

Externe Validatiefase 2 (Grootschalige Retrospectieve Validatie) Het gefinaliseerde model zal worden gebruikt voor validatie op een nieuwe, ultra-grootschalige (n=10.000) retrospectieve dataset (van 3-5 centra). Dit zal verder het bewijsniveau consolideren en een solide basis bieden voor prospectieve studies.

Externe Validatiefase 3 (Prospectieve Observationele Studie) In totaal zullen 1000 in aanmerking komende postoperatieve HCC-patiënten prospectief en opeenvolgend worden ingeschreven in 10-15 centra. Hun WSI-afbeeldingen zullen worden verzameld en ingevoerd in het model om het voorspelde behandelingsregime te verkrijgen. Echter, deze studiefase zal niet interfereren met werkelijke klinische beslissingen. Onderzoekers zullen de voorspellingsresultaten van het model en werkelijke klinische beslissingen vastleggen, en de werkelijke prognose van patiënten observeren via follow-up om de consistentie tussen de voorspellingen van het model en werkelijke uitkomsten te evalueren, evenals de prestatieverzwakking van het model in real-world settings.

### Externe Validatiefase 4 (Prospectieve Interventionele Studie) Dit is de laatste validatiestap van de studie. Een prospectieve, gerandomiseerde gecontroleerde of pragmatische klinische proef zal worden uitgevoerd in samenwerking met 3-5 centra, met ongeveer 600 patiënten ingeschreven. Patiënten zullen willekeurig worden verdeeld in twee groepen: ① Model-Ondersteunde Besluitvormingsgroep: clinici zullen behandelplannen voor patiënten ontwikkelen op basis van het door het model voorspelde optimale behandelingsregime; ② Standaard Behandelingsgroep: behandelplannen zullen volledig door clinici worden ontwikkeld op basis van bestaande richtlijnen en klinische ervaring. De primaire vergelijking zal de RFS tussen de twee groepen zijn, om zo het hoogste niveau van evidence-based medicine te bieden om de klinische bruikbaarheid van model-ondersteunde besluitvorming en de waarde ervan in het verbeteren van prognose aan te tonen.