Konstruksjon og klinisk validering av en prediktiv modell for postoperativ adjuvant behandling i hepatocellulært karsinom basert på hele-snitt digitale patologiske bilder og dyp læring

# I. Studiebakgrunn og mål Hepatocellulært karsinom (HCC) er en vanlig ondartet svulst globalt, og rangerer som den 6. vanligste når det gjelder forekomst og den 3. vanligste når det gjelder dødelighet globalt. Det forårsaker omtrent 480 000 dødsfall hvert år, hvor Kina står for over 45 % av de globale tilfellene, noe som representerer en ekstremt tung sykdomsbyrde 1. Radikal kirurgisk reseksjon er det primære middelet for pasienter med tidlig leverkreft for å oppnå langvarig overlevelse. Imidlertid er 5-års tilbakefallsraten etter operasjon så høy som 50 %–70 %, noe som alvorlig begrenser pasientenes prognose 2. Postoperativ adjuvantbehandling har blitt en nøkkelstrategi for å forsinke tilbakefall og forbedre overlevelse. Blant slike behandlinger har transarteriell kemoembolisering (TACE) og tyrosinkinasehemmere (TKI, som sorafenib og lenvatinib) blitt mye brukt i behandlingen av pasienter med høy risiko for tilbakefall 1,3.

TACE induserer iskemisk nekrose ved lokalt å embolisere tumorernærende blodårer kombinert med perfusjon av kjemoterapimiddel, og er egnet for mellomstadie leverkreft 4,5. Flermål TKI-legemidler kan derimot systematisk hemme signalveier som vaskulær endotelvekstfaktorreseptor (VEGFR) og platelet-derived growth factor receptor (PDGFR), og utøve anti-angiogen og anti-tumor proliferasjonseffekter, og har blitt standardbehandling for avansert leverkreft 3. Likevel har begge behandlingsmodaliteter betydelige begrensninger: den objektive responsraten for TACE er vanligvis bare 50 %–60 %, og noen pasienter kan ikke dra nytte av den og kan til og med oppleve leverskade 6. Selv om TKI kan forlenge tilbakefallsfri overlevelse (RFS) for høyrisikopasienter etter operasjon med 3–5 måneder, er behandlingsresponsraten i ikke-selekterte populasjoner mindre enn 20 %, og forekomsten av grad 3–4 bivirkninger (som hypertensjon, hånd-fot hudreaksjon og proteinuri) er over 50 %, noe som fører til behandlingsavbrudd hos 20 % av pasientene på grunn av intoleranse for toksiske bivirkninger 3,7,8. For tiden mangler klinikken et effektivt og pålitelig biomarkørsystem for å identifisere potensielle nyttepopulasjoner. Som et resultat er behandlingsbeslutninger fortsatt avhengige av klinisk erfaring (f.eks. basert på tradisjonelle patologiske trekk som tumorstørrelse og vaskulær invasjon), noe som resulterer i begrenset individualisering, sløsing med medisinske ressurser og ekstra behandlingsbyrde for pasientene.

Nylige studier har vist at tumorimmunmikromiljøet (TIME) er en nøkkelbiologisk basis som påvirker den terapeutiske følsomheten for TACE og TKI 3. Sammensetningstrekkene til TIME, inkludert immuncelleinfiltrasjon (som CD8⁺ T-celler, Tregs, CTLs og M2-type tumor-assosierte makrofager), uttrykket av immun-sjekkpunktsmolekyler (som programmed cell death ligand 1, PD-L1), og romlig struktur, er nært knyttet til behandlingsrespons 9–12. For eksempel kan et immuninflammatorisk TIME (høy CD8⁺ T-celletetthet og dannelse av tertiære lymfoide strukturer) være positivt korrelert med tumornekrose etter TACE og TKI-behandlingsrespons; derimot indikerer en immun-fritatt eller ørkenfenotype ofte behandlingsresistens 13–15. Imidlertid er dagens TIME-vurdering for det meste avhengig av høyoppløselige teknologier som multiplex immunohistokjemi (mIHC) og romlig transkriptomikk. Selv om disse metodene kan skildre mikromiljøet i detalj, har de applikasjonsflaskehalser som høy kostnad, kompleks drift, høye krav til prøvekvalitet og lav standardisering, noe som begrenser deres kliniske utbredelse.

Gjennombrudd i kunstig intelligens, spesielt dyp læringsteknologi, har gitt en ny tilnærming for å utvinne dyptgående patologisk informasjon fra konvensjonelle hematoksylin og eosin (HE)-fargete hele glidebildebilder (WSI). Som rutinemessige data for postoperativ patologisk diagnose (hver HCC-pasient vil ha HE-farget WSI generert etter operasjon uten ekstra prøvetaking eller testing), inneholder WSI cellulær morfologi og vevsstrukturdetaljer som har blitt bevist å kartlegge kjerneegenskapene til TIME. For eksempel, gjennom arkitekturer som konvolusjonelle nevrale nettverk (CNN) og Vision Transformer (ViT), kan morfologiske mønstre relatert til CD8⁺ T-celleinfiltrasjonstetthet og PD-L1-uttrykk automatisk identifiseres, noe som muliggjør kryssmodal prediksjon av "HE-morfologi → immunstatus" 16,17. De nyeste studiene har bekreftet at dyp læringsmodeller basert på HE-WSI kan predikere mikrosatellittinstabilitet (MSI) i tykktarmskreft med høy nøyaktighet (AUC 0,88) 18, PD-L1-uttrykk (AUC 0,80) og tumormutasjonsbyrde (TMB, AUC 0,91) i ikke-småcellet lungekreft 19,20. Innen leverkreft har studier også brukt WSI dyp læring til å predikere postoperativ tilbakefallsrisiko (AUC 0,82) og immuncelleinfiltrasjon i leverkreftvev (AUC 0,78) 21,22. Imidlertid har ingen studier fokusert på det kliniske smertepunktet "prediksjon av effekt av postoperativ adjuvantbehandling (TACE/TKI)", og det mangler multikenter, stort utvalg klinisk validering.

Derfor vil konstruksjonen av en prediktiv modell for postoperativ adjuvantbehandling av HCC basert på HE-farget WSI og dyp læringsalgoritmer ikke bare bidra til å analysere den mekanistiske rollen til TIME i behandlingsrespons, men også bryte gjennom begrensningene til eksisterende deteksjonsteknologier som høy kostnad, lang syklus og avhengighet av spesielle plattformer, og fremme utviklingen av leverkreft adjuvantbehandlingsbeslutninger mot presisjon og tilgjengelighet. Dette prosjektet har til hensikt å integrere multikenter klinisk-patologiske data med kunstig intelligens-algoritmer for å etablere en digital patologisk modell egnet for å predikere effekten av TACE og TKI, og gjennomføre streng klinisk validering, med mål om å gi et vitenskapelig og pålitelig beslutningsverktøy for postoperativ behandlingsvalg av HCC.

# II. Spesifikke prosedyrer og arbeidsflyt Denne studien er en omfattende forskning som kombinerer diagnostiske forsøk og intervensjonsstudier, delt inn i to store deler og flere faser. Dens formål er å utvikle og validere et kunstig intelligens-basert prediktivt system for postoperativ adjuvantbehandling av hepatocellulært karsinom (HCC). Den overordnede studien følger den standardiserte prosessen for utvikling av kunstig intelligens (AI)-basert programvare som medisinsk utstyr (SaMD), inkludert retrospektiv datainnsamling, modellutvikling og trening, retrospektiv validering, prospektiv observasjonsvalidering og endelig prospektiv intervensjonsstudie.

• Del 1: Konstruksjon og validering av tumormikromiljøgjenkjenningsmodell

  • Utviklings- og treningsfase Offentlige datasett (f.eks. The Cancer Genome Atlas, TCGA) og et retrospektivt datasett fra forskningssenteret (n=1500, med 400 tilfeller allerede samlet inn) vil bli brukt som treningssett. Kjerneoppgaven i denne fasen er å utvikle en dyp læringsmodell (f.eks. en arkitektur basert på Vision Transformer eller ResNet) for automatisk å identifisere, segmentere og kvantifisere nøkkeltumormikromiljøtrekk fra hematoksylin og eosin (HE)-fargete hele glidebildebilder (WSIs). Disse trekkene inkluderer, men er ikke begrenset til, graden av immuncelleinfiltrasjon, stromalandel, vaskulær invasjon og nekrotiske områder. Alle bilder vil bli uavhengig annotert på blindet måte av minst to seniorpatologer. Uenigheter vil bli løst gjennom konsensus eller voldgift av en tredje seniorpatolog for å danne gullstandarden.
  • Ekstern valideringsfase Et retrospektivt WSI-datasett fra 8–10 innenlandske samarbeidende medisinske sentre vil bli brukt til å gjennomføre foreløpig validering av modellens generaliserings evne. Denne fasen har som mål å evaluere modellens robusthet under forskjellige skanneutstyr, forskjellige glidebildeforberedelses- og fargeprosesser, og forskjellige tolkingsvaner hos patologer.
• Del 2: Konstruksjon av behandlingsresponsprediksjonsmodell og flernivåklinisk validering

Denne delen er kjernen i studien. Den har som mål å konstruere en klassifiseringsmodell som kan predikere pasienters respons til forskjellige postoperative adjuvantbehandlingsregimer (kirurgi alene, kirurgi + TACE, kirurgi + TACE + TKI) basert på utgangen av modellen i Del 1 (dvs. de kvantifiserte tumormikromiljøtrekkene) kombinert med nødvendige kliniske variabler (som TNM-stadie, leverfunksjon Child-Pugh-klassifisering og AFP-nivå). Denne delen tar i bruk en streng hierarkisk valideringsstrategi:

• Modelltreningsfase Retrospektive data fra forskningssenteret (n=1500) vil bli brukt. Inkluderte pasienter må oppfylle følgende kriterier: ① patologisk bekreftet HCC; ② mottatt radikal reseksjon; ③ har fullstendig postoperativ adjuvantbehandling og oppfølgningsdata. Definisjon av behandlingsrespons: det primære endepunktet er tilbakefallsfri overlevelse (RFS), og de sekundære endepunktene inkluderer total overlevelse (OS) og objektiv responsrate (ORR). Trening vil bli utført ved bruk av flerklasse maskinlæringsalgoritmer (som gradient boosting trær og dype nevrale nettverk) for å gi ut behandlingsregimkategorien pasienten mest sannsynlig vil dra nytte av.
• Intern valideringsfase Et uavhengig valideringssett (n≈500, ikke-overlappende med treningssettet) vil bli reservert fra senterets data gjennom tilfeldig inndeling. Det vil bli brukt til å foreløpig evaluere modellens diskriminerende ytelse og utføre hyperparameterinnstilling for å forhindre overtilpasning.
• Ekstern valideringsfase 1 (Retrospektiv validering og modellkalibrering) Retrospektive data fra flere sentre over hele landet (8–10 sentre, n=3000) vil bli samlet inn. Hovedformålene med denne fasen er: ① å validere modellens ytelse på et større skala og mer heterogent eksternt datasett; ② å kalibrere eller utføre begrenset iterativ optimalisering av modellen basert på valideringsresultatene for å danne den endelige ferdige prediktive modellen.

Ekstern valideringsfase 2 (Storskala retrospektiv validering) Den ferdige modellen vil bli brukt for validering på et nytt, ultra-storskala (n=10 000) retrospektivt datasett (fra 3–5 sentre). Dette vil ytterligere konsolidere bevisnivået og gi et solid grunnlag for prospektive studier.

Ekstern valideringsfase 3 (Prospektiv observasjonsstudie) Totalt 1000 kvalifiserte postoperative HCC-pasienter vil bli prospektivt og fortløpende inkludert i 10–15 sentre. Deres WSI-bilder vil bli samlet og inndata i modellen for å få det predikerte behandlingsregimet. Imidlertid vil ikke denne studie fasen forstyrre faktiske kliniske beslutninger. Forskere vil registrere modellens prediksjonsresultater og faktiske kliniske beslutninger, og observere pasientenes faktiske prognose gjennom oppfølging for å evaluere konsistensen mellom modellens prediksjoner og faktiske utfall, samt modellens ytelsesforringelse i virkelige settinger.

### Ekstern valideringsfase 4 (Prospektiv intervensjonsstudie) Dette er den endelige valideringsfasen av studien. Et prospektivt, randomisert kontrollert eller pragmatisk klinisk forsøk vil bli gjennomført i samarbeid med 3–5 sentre, med omtrent 600 pasienter inkludert. Pasienter vil bli tilfeldig delt inn i to grupper: ① Modell-assistert beslutningsgruppe: klinikere vil utvikle behandlingsplaner for pasienter basert på modellens predikerte optimale behandlingsregime; ② Standardbehandlingsgruppe: behandlingsplaner vil bli utviklet helt av klinikere basert på eksisterende retningslinjer og klinisk erfaring. Den primære sammenligningen vil være RFS mellom de to gruppene, for å gi det høyeste nivået av evidensbasert medisin for å demonstrere den kliniske nytten av modell-assistert beslutningstaking og dens verdi i å forbedre prognose.