Budowa i walidacja kliniczna modelu predykcyjnego dla pooperacyjnej terapii adjuwantowej w raku wątrobowokomórkowym opartego na pełnoobrazowych cyfrowych obrazach patologicznych i uczeniu głębokim

# I. Tło i cele badania Rak wątrobowokomórkowy (HCC) jest powszechnym nowotworem złośliwym na całym świecie, zajmując 6. miejsce pod względem zachorowalności i 3. pod względem śmiertelności na świecie. Rocznie powoduje około 480 000 zgonów, przy czym Chiny odpowiadają za ponad 45% przypadków na świecie, co stanowi niezwykle duże obciążenie chorobowe 1. Radykalna resekcja chirurgiczna jest głównym sposobem osiągnięcia długotrwałego przeżycia u pacjentów z wczesnym rakiem wątroby. Jednak 5-letni odsetek nawrotów pooperacyjnych sięga aż 50%-70%, co poważnie ogranicza rokowanie pacjentów 2. Pooperacyjna terapia uzupełniająca stała się kluczową strategią opóźniania nawrotów i poprawy przeżycia. Wśród takich terapii, przezskórna chemoembolizacja tętnicza (TACE) oraz inhibitory kinazy tyrozynowej (TKI, takie jak sorafenib i lenwacynib) są szeroko stosowane w leczeniu pacjentów z wysokim ryzykiem nawrotu 1,3.

TACE wywołuje martwicę niedokrwienną poprzez miejscową embolizację naczyń krwionośnych zaopatrujących guz w połączeniu z perfuzją leków chemioterapeutycznych i jest odpowiednia dla raka wątroby w stadium pośrednim 4,5. Z kolei wielokierunkowe leki TKI mogą systematycznie hamować szlaki sygnalizacyjne, takie jak receptor czynnika wzrostu śródbłonka naczyniowego (VEGFR) i receptor czynnika wzrostu pochodzącego z płytek krwi (PDGFR), wywierając działanie antyangiogenne i przeciwnowotworowe, i stały się standardowym leczeniem zaawansowanego raka wątroby 3. Niemniej jednak obie modalności leczenia mają istotne ograniczenia: odsetek obiektywnej odpowiedzi na TACE wynosi zwykle tylko 50%-60%, a niektórzy pacjenci nie mogą odnieść z niego korzyści, a nawet mogą doświadczyć uszkodzenia czynności wątroby 6. Chociaż TKI mogą wydłużyć przeżycie wolne od nawrotów (RFS) u pacjentów wysokiego ryzyka po operacji o 3-5 miesięcy, odsetek odpowiedzi na leczenie w nie wyselekcjonowanej populacji jest mniejszy niż 20%, a częstość występowania działań niepożądanych stopnia 3-4 (takich jak nadciśnienie, reakcja skórna dłoni i stóp oraz białkomocz) przekracza 50%, co prowadzi do przerwania leczenia u 20% pacjentów z powodu nietolerancji działań toksycznych 3,7,8. Obecnie klinika nie dysponuje efektywnym i wiarygodnym systemem biomarkerów do identyfikacji potencjalnych populacji korzystających. W rezultacie decyzje terapeutyczne nadal opierają się na doświadczeniu klinicznym (np. na podstawie tradycyjnych cech patologicznych, takich jak wielkość guza i inwazja naczyniowa), co skutkuje ograniczoną indywidualizacją, marnotrawstwem zasobów medycznych i dodatkowym obciążeniem terapeutycznym pacjentów.

Ostatnie badania wykazały, że mikrośrodowisko immunologiczne guza (TIME) jest kluczową podstawą biologiczną wpływającą na wrażliwość terapeutyczną TACE i TKI 3. Charakterystyka składu TIME, w tym naciekanie komórek odpornościowych (takich jak komórki T CD8⁺, Tregs, CTLs i makrofagi związane z guzem typu M2), ekspresja cząsteczek punktów kontrolnych odporności (takich jak ligand programowanej śmierci komórki 1, PD-L1) oraz struktura przestrzenna, są ściśle związane z odpowiedzią na leczenie 9-12. Na przykład, immunozapalne TIME (wysoka gęstość komórek T CD8⁺ i tworzenie trzeciorzędowych struktur limfatycznych) może być pozytywnie skorelowane z martwicą guza po TACE i odpowiedzią na leczenie TKI; przeciwnie, fenotyp immunologicznie wyłączony lub pustynny często wskazuje na oporność na leczenie 13-15. Jednak obecna ocena TIME w dużej mierze opiera się na technologiach wysokiej rozdzielczości, takich jak wielokrotna immunohistochemia (mIHC) i transkryptomika przestrzenna. Chociaż te metody mogą szczegółowo opisywać mikrośrodowisko, mają one wąskie gardła aplikacyjne, takie jak wysoki koszt, złożona obsługa, wysokie wymagania dotyczące jakości próbek i niska standaryzacja, co ogranicza ich kliniczną promocję.

Przełomy w sztucznej inteligencji, zwłaszcza technologia uczenia głębokiego, dostarczyły nowego podejścia do wydobywania głębokich informacji patologicznych z konwencjonalnych barwień hematoksyliną i eozyną (HE) obrazów całych szkieł (WSI). Jako rutynowe dane do pooperacyjnej diagnozy patologicznej (każdy pacjent z HCC będzie miał wygenerowane WSI barwione HE po operacji bez dodatkowego pobierania próbek lub testowania), WSI zawiera szczegóły morfologii komórkowej i struktury tkanki, które, jak udowodniono, odwzorowują kluczowe cechy TIME. Na przykład, za pomocą architektur takich jak konwolucyjna sieć neuronowa (CNN) i Vision Transformer (ViT), można automatycznie identyfikować wzorce morfologiczne związane z gęstością nacieku komórek T CD8⁺ i ekspresją PD-L1, umożliwiając międzyrodzajową predykcję "morfologii HE → statusu immunologicznego" 16,17. Najnowsze badania potwierdziły, że modele uczenia głębokiego oparte na HE-WSI mogą przewidywać niestabilność mikrosatelitarną (MSI) w raku jelita grubego z wysoką dokładnością (AUC 0,88) 18, ekspresję PD-L1 (AUC 0,80) i obciążenie mutacyjne guza (TMB, AUC 0,91) w niedrobnokomórkowym raku płuca 19,20. W dziedzinie raka wątroby badania również wykorzystywały uczenie głębokie WSI do przewidywania ryzyka nawrotu pooperacyjnego (AUC 0,82) i nacieku komórek odpornościowych w tkankach raka wątroby (AUC 0,78) 21,22. Jednak żadne badania nie koncentrowały się na klinicznym punkcie bólowym "przewidywania skuteczności pooperacyjnej terapii uzupełniającej (TACE/TKI)" i brakuje wieloośrodkowego, wielopróbkowego walidacji klinicznej.

Dlatego budowa modelu predykcyjnego pooperacyjnej terapii uzupełniającej HCC opartego na HE-WSI i algorytmach uczenia głębokiego nie tylko pomaga analizować mechanistyczną rolę TIME w odpowiedzi na leczenie, ale także przełamuje ograniczenia istniejących technologii wykrywania, takich jak wysoki koszt, długi cykl i zależność od specjalnych platform, promując rozwój decyzji dotyczących terapii uzupełniającej raka wątroby w kierunku precyzji i dostępności. Niniejszy projekt zamierza zintegrować wieloośrodkowe dane kliniczno-patologiczne z algorytmami sztucznej inteligencji, aby ustanowić cyfrowy model patologiczny odpowiedni do przewidywania skuteczności TACE i TKI, i przeprowadzić rygorystyczną walidację kliniczną, mając na celu dostarczenie naukowego i wiarygodnego narzędzia decyzyjnego do wyboru leczenia pooperacyjnego HCC.

# II. Specyficzne procedury i przepływ pracy Niniejsze badanie jest kompleksowym badaniem łączącym badania diagnostyczne i interwencyjne, podzielonym na dwie główne części i wiele faz. Jego celem jest opracowanie i walidacja systemu predykcyjnego pooperacyjnej terapii uzupełniającej raka wątrobowokomórkowego (HCC) opartego na sztucznej inteligencji. Ogólne badanie następuje po ustandaryzowanym procesie rozwoju oprogramowania jako urządzenia medycznego (SaMD) opartego na sztucznej inteligencji (AI), w tym retrospektywnym zbieraniu danych, rozwoju i trenowaniu modelu, walidacji retrospektywnej, prospektywnej walidacji obserwacyjnej i ostatecznym prospektywnym badaniu interwencyjnym.

• Część 1: Budowa i walidacja modelu rozpoznawania mikrośrodowiska guza

  • Faza rozwoju i trenowania Zostaną wykorzystane publiczne zbiory danych (np. The Cancer Genome Atlas, TCGA) oraz retrospektywny zbiór danych z ośrodka badawczego (n=1500, z 400 przypadkami już zebranymi) jako zestaw treningowy. Podstawowym zadaniem tej fazy jest opracowanie modelu uczenia głębokiego (np. architektury opartej na Vision Transformer lub ResNet) do automatycznego identyfikowania, segmentowania i kwantyfikacji kluczowych cech mikrośrodowiska guza z obrazów całych szkieł (WSI) barwionych hematoksyliną i eozyną (HE). Cechy te obejmują, ale nie są ograniczone do, stopień nacieku komórek odpornościowych, proporcję zrębu, inwazję naczyniową i obszary martwicze. Wszystkie obrazy zostaną niezależnie anotowane w sposób zaślepiony przez co najmniej dwóch starszych patologów. Niezgodności zostaną rozwiązane poprzez konsensus lub arbitraż trzeciego starszego patologa, aby utworzyć złoty standard.
  • Faza walidacji zewnętrznej Retrospektywny zbiór danych WSI z 8-10 krajowych współpracujących ośrodków medycznych zostanie wykorzystany do przeprowadzenia wstępnej walidacji zdolności generalizacji modelu. Faza ta ma na celu ocenę solidności modelu pod różnym sprzętem skanującym, różnymi procesami przygotowania i barwienia szkieł oraz różnymi nawykami interpretacyjnymi patologów.
• Część 2: Budowa modelu predykcji odpowiedzi na leczenie i wielopoziomowa walidacja kliniczna

Ta część jest rdzeniem badania. Ma na celu zbudowanie modelu klasyfikacyjnego, który może przewidywać odpowiedź pacjentów na różne schematy pooperacyjnej terapii uzupełniającej (tylko operacja, operacja + TACE, operacja + TACE + TKI) na podstawie wyników modelu z Części 1 (tj. skwantowanych cech mikrośrodowiska guza) w połączeniu z niezbędnymi zmiennymi klinicznymi (takimi jak stadium TNM, klasyfikacja czynności wątroby Child-Pugh i poziom AFP). Ta część przyjmuje ścisłą strategię walidacji hierarchicznej:

• Faza trenowania modelu Zostaną wykorzystane retrospektywne dane z ośrodka badawczego (n=1500). Włączeni pacjenci muszą spełniać następujące kryteria: ① patologicznie potwierdzony HCC; ② otrzymali radykalną resekcję; ③ mają kompletne dane dotyczące pooperacyjnej terapii uzupełniającej i obserwacji. Definicja odpowiedzi na leczenie: pierwszorzędowym punktem końcowym jest przeżycie wolne od nawrotów (RFS), a drugorzędowymi punktami końcowymi są całkowite przeżycie (OS) i odsetek obiektywnej odpowiedzi (ORR). Trenowanie zostanie przeprowadzone przy użyciu wieloklasowych algorytmów uczenia maszynowego (takich jak drzewa wzmacniające gradient i głębokie sieci neuronowe), aby wyprowadzić kategorię schematu leczenia, z której pacjent najprawdopodobniej skorzysta.
• Faza walidacji wewnętrznej Niezależny zestaw walidacyjny (n≈500, nie nakładający się na zestaw treningowy) zostanie zarezerwowany z danych ośrodka poprzez losowy podział. Zostanie użyty do wstępnej oceny zdolności dyskryminacyjnej modelu i dostrojenia hiperparametrów, aby zapobiec przeuczeniu.
• Faza walidacji zewnętrznej 1 (walidacja retrospektywna i kalibracja modelu) Zostaną zebrane retrospektywne dane z wielu ośrodków w całym kraju (8-10 ośrodków, n=3000). Głównymi celami tej fazy są: ① walidacja wydajności modelu na większej skali i bardziej heterogenicznym zewnętrznym zbiorze danych; ② kalibracja lub przeprowadzenie ograniczonej iteracyjnej optymalizacji modelu na podstawie wyników walidacji, aby utworzyć ostateczny sfinalizowany model predykcyjny.

Faza walidacji zewnętrznej 2 (wielkoskalowa walidacja retrospektywna) Sfinalizowany model zostanie użyty do walidacji na nowym, bardzo dużym (n=10 000) retrospektywnym zbiorze danych (z 3-5 ośrodków). To dalej skonsoliduje poziom dowodów i zapewni solidną podstawę dla badań prospektywnych.

Faza walidacji zewnętrznej 3 (badanie obserwacyjne prospektywne) Łącznie 1000 kwalifikujących się pacjentów z HCC po operacji zostanie prospektywnie i kolejno włączonych do 10-15 ośrodków. Ich obrazy WSI zostaną zebrane i wprowadzone do modelu, aby uzyskać przewidywany schemat leczenia. Jednak ta faza badania nie będzie ingerować w rzeczywiste decyzje kliniczne. Badacze będą rejestrować wyniki predykcji modelu i rzeczywiste decyzje kliniczne, oraz obserwować rzeczywiste rokowanie pacjentów poprzez obserwację, aby ocenić spójność między przewidywaniami modelu a rzeczywistymi wynikami, a także osłabienie wydajności modelu w warunkach rzeczywistych.

### Faza walidacji zewnętrznej 4 (badanie interwencyjne prospektywne) To jest końcowy krok walidacji badania. Zostanie przeprowadzone prospektywne, randomizowane kontrolowane lub pragmatyczne badanie kliniczne we współpracy z 3-5 ośrodkami, z około 600 pacjentami włączonymi. Pacjenci zostaną losowo podzieleni na dwie grupy: ① Grupa decyzyjna wspomagana modelem: klinicyści będą opracowywać plany leczenia dla pacjentów na podstawie przewidywanego optymalnego schematu leczenia przez model; ② Grupa leczenia standardowego: plany leczenia będą opracowywane całkowicie przez klinicystów na podstawie istniejących wytycznych i doświadczenia klinicznego. Podstawowym porównaniem będzie RFS między obiema grupami, aby dostarczyć najwyższy poziom medycyny opartej na dowodach, aby wykazać użyteczność kliniczną decyzji wspomaganych modelem i ich wartość w poprawie rokowania.