Sztuczna inteligencja i rak wątrobowokomórkowy (ARTIHCC)

Rak wątrobowokomórkowy (HCC) jest jednym z 5 najczęstszych nowotworów złośliwych na świecie i trzecią najczęstszą przyczyną śmiertelności związanej z rakiem wynoszącej 500 000 zgonów rocznie na całym świecie.

Chociaż częściej występuje w Azji Wschodniej, częstość występowania HCC wzrasta w świecie zachodnim. Resekcja wątroby jest opcją terapeutyczną pierwszego rzutu i jest akceptowana jako bezpieczne leczenie o udowodnionym wpływie na rokowanie, z niską śmiertelnością operacyjną w wyniku postępu w technikach operacyjnych i postępowaniu okołooperacyjnym. Niemniej jednak resekcja chirurgiczna ma zastosowanie tylko u około 20–30% pacjentów z HCC, ponieważ większość z nich ma słabą funkcję rezerwy wątrobowej spowodowaną przewlekłą chorobą wątroby i wieloogniskową dystrybucją HCC w wątrobie. Chociaż resekcja wątroby jest jedną z metod leczenia raka wątrobowokomórkowego, odsetek nawrotów HCC nawet po resekcji prowadzącej do wyleczenia jest dość wysoki, szacuje się, że wynosi około 50% w ciągu pierwszych 3 lat i ponad 70% w ciągu pierwszych 5 lat po resekcji prowadzącej do wyleczenia , stąd odległe wyniki pooperacyjne pozostają niezadowalające. W tym scenariuszu rola przeszczepu wątroby była w ostatnich latach dominująca ze względu na zdolność przeszczepu do zmniejszenia nawrotów choroby, ze względu na leczenie marskości wątroby związanej z HCC, które stanowią najważniejszy czynnik napędzający nawrót choroby. W przeciwnym razie niedobór narządów był impulsem do rozpowszechnienia resekcji wątroby, nie tylko w granicach uwzględnionych w algorytmie BCLC (wytyczne zatwierdzone przez EASL i AASLD), ale nawet u pacjentów uznanych za niekwalifikujących się do leczenia a także resekcji wątroby. Chociaż leczenie chirurgiczne przyjęto w ostatnich latach u większej liczby pacjentów poza Wytycznymi, uzyskując zadowalające wyniki pod względem śmiertelności, chorobowości i krótkoterminowych wyników onkologicznych, ograniczenia tego podejścia pozostają długoterminowe przeżycie wolne od choroby.

Czynnik ryzyka nawrotu został zidentyfikowany w ostatnich latach jako wymiar hcc, stopień złośliwości, inwazja mikrokrążenia i satellitoza. Dowody na to, że te dwa czynniki prognostyczne mogą negatywnie wpływać na długoterminowe rokowanie, zwiększając ryzyko nawrotu, skłoniły wielu autorów do zaproponowania resekcji anatomicznej (resekcji segmentowej) jako idealnego leczenia chirurgicznego zmniejszającego to ryzyko u pacjentów z HCC. W przeciwnym razie wyniki literatury są sprzeczne, jeśli chodzi o rzeczywiste korzyści płynące z tego podejścia. W rzeczywistości u wielu pacjentów z HCC i współistniejącą marskością wątroby dostęp anatomiczny jest niewykonalny ze względu na ryzyko pooperacyjnej niewydolności wątroby. Dlatego opracowano technikę oszczędzającą miąższ i porównano ją z resekcją anatomiczną pod względem wyników onkologicznych. Obecnie wszystkich tych czynników ryzyka nie da się przewidzieć, a systemy oceny stopnia zaawansowania opierają się wyłącznie na prymitywnych cechach radiologicznych, takich jak liczba i wielkość guzków. W ostatnich latach kilku autorów zaproponowało nowe podejścia do zwiększenia naszych możliwości pozyskiwania danych z obrazowania radiologicznego: poprzez analizę pomiarów i liczb uzyskanych podczas akwizycji radiologicznej (za pomocą tomografii komputerowej lub rezonansu magnetycznego) można uzyskać tysiące innych informacji, pokonując zdolność ludzkiego oka. Techniki te noszą nazwę „radiomiki”, która w połączeniu z nowatorskimi algorytmami uczenia maszynowego (np. głębokie uczenie się, sieci neuronowe itp.). Ponadto obecnie nowe dane można uzyskać również za pomocą prostych śródoperacyjnych zdjęć uzyskanych podczas zabiegu chirurgicznego, na przykład powierzchni nacięcia wątroby: za pomocą „komputerowo-wizyjnej analizy”, innego potężnego algorytmu uczenia maszynowego, można wytworzyć inne dane w celu przewidzieć wyniki krótko- i długoterminowe. Możliwości te opierają się na nowoczesnej dziedzinie „sztucznej inteligencji”, w której maszyna jest szkolona w rozpoznawaniu różnych powtarzających się wzorców w celu tworzenia modeli predykcyjnych z bardzo dużą dokładnością. Na tych danych opiera się propozycja stworzenia niniejszego wieloośrodkowego badania mającego na celu opracowanie modelu prognozowania powikłań pooperacyjnych i nawrotów HCC, w oparciu o analizę cech radiomicznych tomografii komputerowej, zdjęcia powierzchni nacięcia wątroby i analizę uczenia maszynowego.