Kunstig intelligens og hepatocellulært karsinom (ARTIHCC)

Hepatocellulært karsinom (HCC) er 1 av de 5 vanligste maligne kreftene på verdensbasis og den tredje vanligste årsaken til kreftrelatert dødelighet på 500 000 dødsfall globalt hvert år.

Selv om det er mer vanlig i Øst-Asia, øker forekomsten av HCC i den vestlige verden. Leverreseksjon er førstelinjebehandlingsalternativet, og det er akseptert som en sikker behandling med en påvist effekt på prognose, med lav operasjonsdødelighet som følge av fremskritt innen kirurgiske teknikker og perioperativ behandling. Ikke desto mindre er kirurgisk reseksjon kun aktuelt hos omtrent 20 % til 30 % av pasientene med HCC, siden de fleste har dårlig leverreservefunksjon forårsaket av underliggende kronisk leversykdom og multifokale leverfordelinger av HCC. Selv om leverreseksjon er en av de kurative behandlingene for hepatocellulært karsinom, er tilbakefallsfrekvensen av HCC selv etter kurativ reseksjon ganske høy, beregnet til å være omtrent 50 % i løpet av de første 3 årene og mer enn 70 % i løpet av de første 5 årene etter kurativ reseksjon , og derfor forblir de postoperative langsiktige resultatene utilfredsstillende. I dette scenariet har rollen til levertransplantasjon vært dominerende de siste årene, på grunn av transplantasjonens evne til å redusere tilbakefall av sykdom, på grunn av behandlingen av levercirrhose assosiert med HCC, som representerer den viktigste driveren for tilbakefall. Ellers har knappheten på organkilder vært et løft for spredningen av leverreseksjon, ikke bare begrenset til grensen tatt i betraktning i BCLC-algoritmen (retningslinjer godkjent av EASL og AASLD), men også hos pasienter som anses ikke egnet for kurativ behandling samt leverreseksjon. Selv om kirurgisk behandling har blitt tatt i bruk de siste årene hos flere pasienter utenfor retningslinjene med tilfredsstillende resultater når det gjelder dødelighet, sykelighet og kortsiktige onkologiske utfall, forblir grensene for denne tilnærmingen den langsiktige sykdomsfrie overlevelsen.

Risikofaktor for residiv har ennå blitt identifisert de siste årene som hcc-dimensjon, gradering, mikrovaskulær invasjon og satellittose. Beviset for at disse to prognostiske faktorene kan ha en negativ innvirkning på den langsiktige prognosen og øke risikoen for tilbakefall, har ført til at mange forfattere foreslår anatomisk reseksjon (segmentell reseksjon) som den ideelle kirurgiske behandlingen for å redusere disse risikoene hos HCC-pasienter. Ellers er litteraturresultater i konflikt med hensyn til den virkelige fordelen med denne tilnærmingen. Faktisk er den anatomiske tilnærmingen ikke mulig hos mange pasienter med HCC og underliggende cirrhose på grunn av risikoen for postoperativ leversvikt. Så en parenkymsparende teknikk har blitt utviklet og sammenlignet med anatomisk reseksjon når det gjelder onkologiske utfall. For øyeblikket er ikke alle disse risikofaktorene forutsigbare, og iscenesettelsessystemene er kun basert på grove radiologiske egenskaper som antall og størrelse på knuter. I løpet av de siste årene har flere forfattere foreslått nye tilnærminger for å øke vår evne til å trekke ut data fra den radiologiske avbildningen: ved å analysere målingene og tallene oppnådd under den radiologiske innsamlingen (ved CT- eller MR-skanning), kan tusenvis av annen informasjon oppnås, overvinne evnen til menneskelige øyne. Disse teknikkene går under navnene "Radiomics", som er en veldig lovende gren når de slås sammen med de nye maskinlæringsalgoritmene (f. dyp læring, nevrale nettverk, etc). I dag kan dessuten nye data oppnås også ved enkelt intraoperativt bilde tatt under den kirurgiske prosedyren, for eksempel av leverens kutteoverflate: ved "datasynsanalyse", en annen kraftig maskinlæringsalgoritme, kan andre data produseres for å forutsi kort- og langsiktige resultater. Disse potensialene er avhengige av det moderne feltet "kunstig intelligens", der en maskin er opplært til å gjenkjenne forskjellige tilbakevendende mønstre for å lage prediksjonsmodeller med en veldig kraftig nøyaktighet. På disse dataene er forslaget basert på å lage den nåværende multisentriske studien med sikte på å utvikle en prediksjonsmodell for postoperative komplikasjoner og HCC-residiv, basert på analysen av CT-radiomiks funksjoner, bilder av leverkuttoverflate og maskinlæringsanalyse.