Stratyfikacja ryzyka hepatokarcynogenezy przy użyciu modelu klinicznego, biologicznego i ultrasonograficznego opartego na głębokim uczeniu się u pacjentów wysokiego ryzyka (STARHE)

Według Światowej Organizacji Zdrowia do 2030 roku rak wątrobowokomórkowy (HCC) stanie się drugą najczęstszą przyczyną zgonów związanych z rakiem, odpowiadając za ponad milion zgonów rocznie.

Do tej pory badania przesiewowe w kierunku raka wątrobowokomórkowego we Francji są jednolite dla wszystkich pacjentów i opierają się wyłącznie na badaniu ultrasonograficznym wątroby co 6 miesięcy. Zaletą tego schematu jest powiązanie akceptowalnego stosunku kosztów do efektywności, a przede wszystkim uzyskanie zwiększonego całkowitego przeżycia. Strategia ta ma jednak trzy główne ograniczenia: brak personalizacji, niska podatność, relatywnie słabe działanie ultrasonografii.

Opracowano modele stratyfikacji ryzyka dla przewlekłego wirusowego zapalenia wątroby typu C, alkoholowej marskości wątroby i niealkoholowego stłuszczeniowego zapalenia wątroby (NASH), uwzględniając parametry kliniczne (wiek, płeć, wskaźnik masy ciała i cukrzyca) i biologiczne (AsAT/AlAT, płytki krwi, albumina). Nie obejmowały one jednak analizy miąższu wątroby, który jest fizjopatologicznym podłożem hepatokarcynogenezy. W latach 90. kilku autorów badało częstość występowania raka wątrobowokomórkowego na podstawie echostruktury wątroby. Zgodzili się co do nadmiernego ryzyka reprezentowanego przez guzkową heterogeniczną echostrukturę z szacowanym współczynnikiem częstości do 20.

Jednak wszystkie te wyniki nie doprowadziły jeszcze do stworzenia spersonalizowanej strategii badań radiologicznych. Pojawienie się nowych technik sztucznej inteligencji może zrewolucjonizować to podejście.

Głębokie uczenie się, podklasa uczenia maszynowego, to popularny obszar badań, który może pomóc ludziom w wykonywaniu określonych zadań. W przeciwieństwie do radiomiki głębokie uczenie może automatycznie identyfikować nowe cechy obrazu, które nie zostały zdefiniowane przez ludzi.

Hipotezą tego badania jest to, że nienowotworowy miąższ wątroby z marskością wątroby jest bogaty w informacje strukturalne odzwierciedlające nasilenie hepatopatii, jej ryzyko rakotwórcze i proces hepatokarcynogenezy. Jego analiza w połączeniu z danymi klinicznymi i biologicznymi, które zostały już zbadane w celu stratyfikowania ryzyka hepatokarcynogenezy, pozwoli zdefiniować populację bardzo wysokiego ryzyka, szczególnie w kontekście eradykacji wirusa zapalenia wątroby typu C (HCV) i wirusa zapalenia wątroby typu B (HBV ) kontrola.

W związku z tym w tym badaniu proponuje się prospektywne zaprojektowanie modelu głębokiego uczenia się do stratyfikacji ryzyka hepatokarcynogenezy poprzez włączenie klinicznych, biologicznych i radiologicznych parametrów ultrasonograficznych. Głównym celem badania jest identyfikacja populacji o bardzo wysokim ryzyku zachorowania na raka wątrobowokomórkowego w celu zaproponowania różnych metod badań przesiewowych najbardziej zagrożonym pacjentom.

To badanie kliniczne obejmie pacjentów w wieku powyżej 18 lat skierowanych przez swojego hepatologa w ramach przesiewowego badania ultrasonograficznego zgodnie z zaleceniami Europejskiego Stowarzyszenia Badań nad Wątrobą (EASL) dotyczącymi badań przesiewowych w kierunku raka wątrobowokomórkowego, z wyjątkiem choroby wątroby HBV bez marskości: nie -marskość wątroby w stadium F3 z dowolnej przyczyny na podstawie indywidualnej oceny ryzyka raka wątroby; marskość wątroby z jakiejkolwiek przyczyny, niewirusowa lub wyleczona wirusologicznie (HCV) lub kontrolowana (HBV). Pacjenci z historią leczonego raka wątrobowokomórkowego zostaną wykluczeni.

Prospektywnie zostaną utworzone dwie grupy pacjentów: grupa 1 obejmie pacjentów z rozpoznaniem raka wątrobowokomórkowego powyżej 1 cm (referencyjne standardy diagnostyczne: radiologiczne lub histologiczne). Pacjenci ci będą zatem odpowiadać bardzo wysokiemu ryzyku; Grupa 2 będzie obejmowała pacjentów bez raka wątrobowokomórkowego, co odpowiada niższemu ryzyku. U pacjentów z grupy 2 zostanie wykonane badanie ultrasonograficzne w odstępie 1 roku w celu potwierdzenia braku nowego guzka w roku następującym po włączeniu. Odsetek nowych raków wątrobowokomórkowych nie powinien przekraczać 3%.

Zbierane dane będą parametrami klinicznymi, biologicznymi, elastograficznymi i ultradźwiękowymi.

Model Deep Learning wykorzystujący głęboką splotową architekturę sieci neuronowej zostanie opracowany w języku Python przy użyciu tych danych.

W sumie w 7 ośrodkach badawczych 300 pacjentów (sprawiedliwie rozdzielonych między dwie grupy) zostanie włączonych do kohorty szkoleniowej/walidacyjnej i 100 pacjentów (sprawiedliwie rozdzielonych między dwie grupy) do kohorty testowej. Liczby te są obliczane na podstawie badań ultrasonograficznych wykazujących współczynnik ryzyka HCC wynoszący do 20 w przypadku ultrasonografii makroguzkowej i wymagań dotyczących głębokiego uczenia (wymagane są duże liczby).

Kohorty szkoleniowe/walidacyjne i testowe będą pochodzić z zewnętrznych i niezależnych ośrodków.

Wydajność diagnostyczna modelu zostanie oszacowana na podstawie pola pod krzywą (AUC), czułości, swoistości i wyniku F1 (95% przedziały ufności) w kohorcie testowej.