Risikostratifisering av hepatokarsinogenese ved bruk av en dyp læringsbasert klinisk, biologisk og ultralydmodell hos høyrisikopasienter (STARHE)

Innen 2030 vil hepatocellulært karsinom (HCC) bli den nest største årsaken til kreftrelatert død, og utgjøre mer enn én million dødsfall per år ifølge Verdens helseorganisasjon.

Til dags dato forblir screening for hepatocellulært karsinom i Frankrike ensartet for alle pasienter, kun basert på en leverultralyd hver 6. måned. Denne ordningen har fordelen av å knytte et akseptabelt kostnadseffektivitetsforhold og fremfor alt oppnå en økt total overlevelse. Imidlertid har denne strategien tre hovedbegrensninger: mangel på personalisering, lav etterlevelse, relativt dårlig ytelse av ultralyden.

Risikostratifiseringsmodeller er utviklet for kronisk hepatitt C, alkoholisk cirrhose og ikke-alkoholisk steatohepatitt (NASH) inkludert kliniske (alder, kjønn, kroppsmasseindeks og diabetes) og biologiske (ASAT/ALAT, blodplater, albumin) parametere. Imidlertid inkluderte de ikke analyse av leverparenkymet som er det fysiopatologiske substratet for hepatokarsinogenese. På 1990-tallet studerte flere forfattere forekomsten av hepatocellulært karsinom i henhold til leverens ekkostruktur. De var enige om overrisikoen representert av en nodulær heterogen ekkostruktur med et estimert hastighetsforhold på opptil 20.

Alle disse resultatene har imidlertid ennå ikke ført til en personlig radiologisk screeningsstrategi. Fremkomsten av nye kunstig intelligens-teknikker kan revolusjonere tilnærmingen.

Deep learning, en underklasse av maskinlæring, er et populært forskningsområde som kan hjelpe mennesker med å utføre visse oppgaver. I motsetning til radiomik, kan dyp læring automatisk identifisere nye bildefunksjoner som ikke er definert av mennesker.

Hypotesen for denne studien er at det ikke-tumor cirrhotiske leverparenkymet er rikt på strukturell informasjon som gjenspeiler alvorlighetsgraden av hepatopatien, dens karsinologiske risiko og prosessen med hepatokarsinogenese. Analysen kombinert med kliniske og biologiske data, som allerede er studert for å stratifisere risikoen for hepatokarsinogenese, vil tillate å definere en svært høyrisikopopulasjon, spesielt i sammenheng med utryddelse av hepatitt C-virus (HCV) og hepatitt B-virus (HBV) ) kontroll.

Følgelig foreslår denne studien å designe prospektivt en dyp læringsmodell for stratifisering av risikoen for hepatokarsinogenese ved å inkludere kliniske, biologiske og radiologiske ultralydparametere. Hovedmålet med studien er å identifisere en populasjon med svært høy risiko for å utvikle hepatokarsinom for å foreslå forskjellige screeningsmodaliteter til pasientene med størst risiko.

Denne kliniske studien vil inkludere pasienter over 18 år henvist av leverlegen i forbindelse med ultralydscreening i henhold til European Association for the Study of the Liver (EASL) anbefalinger for hepatocellulær karsinomscreening, bortsett fra ikke-cirrhotisk HBV-leversykdom: ikke - cirrhotic F3-stadium leversykdom uansett årsak basert på individuell risikovurdering for hepatokarsinom; skrumplever av enhver årsak, ikke-viral eller virologisk kurert (HCV) eller kontrollert (HBV). Pasienter med en historie med behandlet hepatocellulært karsinom vil bli ekskludert.

To grupper av pasienter vil bli konstituert prospektivt: gruppe 1 vil inkludere pasienter med diagnosen hepatocellulært karsinom større enn 1 cm (referansediagnostiske standarder: radiologisk eller histologisk). Disse pasientene vil derfor tilsvare en svært høy risiko; Gruppe 2 vil inkludere pasienter uten hepatocellulært karsinom, og dermed tilsvarer lavere risiko. En 1 års intervall ultralyd vil bli utført hos pasienter i gruppe 2 for å bekrefte fraværet av ny knute i året etter inkludering. Andelen nye hepatocellulært karsinom bør ikke overstige 3 %.

Dataene som samles inn vil være kliniske, biologiske, elastografiske og ultralydparametre.

En Deep Learning-modell som bruker en dyp konvolusjonell nevrale nettverksarkitektur vil bli utviklet på Python ved å bruke disse dataene.

På totalt 7 undersøkelsessteder vil 300 pasienter (likt fordelt mellom de to gruppene) inkluderes i trenings-/valideringskohorten og 100 pasienter (likt fordelt mellom de to gruppene) i testkohorten. Disse tallene er beregnet fra ultralydstudier som rapporterer et rateforhold for HCC-risiko på opptil 20 i tilfelle makronodulært ultralydmønster og krav til dyp læring (store antall nødvendig).

Trenings-/validerings- og testkullene vil være fra eksterne og uavhengige sentre.

Den diagnostiske ytelsen til modellen vil bli estimert etter Area Under the Curve (AUC), sensitivitet, spesifisitet og F1-score (95 % konfidensintervall) på testkohorten.