Construção e Validação Clínica de um Modelo Preditivo para Terapia Adjuvante Pós-Operatória no Carcinoma Hepatocelular Baseado em Imagens Patológicas Digitais de Lâmina Completa e Aprendizagem Profunda

# I. Antecedentes e Objetivos do Estudo O Carcinoma Hepatocelular (CHC) é um tumor maligno comum em todo o mundo, ocupando o 6.º lugar em termos de incidência e o 3.º em mortalidade globalmente. Causa aproximadamente 480.000 mortes por ano, sendo que a China representa mais de 45% dos casos globais, representando um fardo de doença extremamente pesado 1. A ressecção cirúrgica radical é o principal meio para os doentes com cancro do fígado em estádio inicial alcançarem sobrevivência a longo prazo. No entanto, a taxa de recorrência pós-operatória aos 5 anos é tão elevada quanto 50%-70%, o que limita severamente o prognóstico dos doentes 2. A terapêutica adjuvante pós-operatória tornou-se uma estratégia chave para atrasar a recorrência e melhorar a sobrevivência. Entre essas terapias, a Quimioembolização Transarterial (TACE) e os Inibidores da Tirosina Cinase (TKIs, como sorafenibe e lenvatinibe) têm sido amplamente utilizados no tratamento de doentes com alto risco de recorrência 1,3.

A TACE induz necrose isquémica ao embolizar localmente os vasos sanguíneos que alimentam o tumor combinado com perfusão de fármacos quimioterápicos, sendo adequada para o cancro do fígado em estádio intermédio 4,5. Os fármacos TKI multialvo, por outro lado, podem inibir sistematicamente vias de sinalização como o Recetor do Fator de Crescimento Endotelial Vascular (VEGFR) e o Recetor do Fator de Crescimento Derivado das Plaquetas (PDGFR), exercendo efeitos antiangiogénicos e antiproliferativos tumorais, e tornaram-se o tratamento padrão para o cancro do fígado avançado 3. No entanto, ambas as modalidades de tratamento têm limitações significativas: a taxa de resposta objetiva da TACE é geralmente apenas 50%-60%, e alguns doentes não podem beneficiar dela e podem até sofrer danos na função hepática 6. Embora os TKIs possam prolongar a Sobrevivência Livre de Recorrência (SLR) de doentes pós-operatórios de alto risco em 3-5 meses, a taxa de resposta ao tratamento em populações não selecionadas é inferior a 20%, e a incidência de reações adversas de grau 3-4 (como hipertensão, reação cutânea mão-pé e proteinúria) é superior a 50%, levando à descontinuação do tratamento em 20% dos doentes devido à intolerância aos efeitos tóxicos colaterais 3,7,8. Atualmente, a clínica carece de um sistema de biomarcadores eficiente e fiável para identificar populações com potencial benefício. Como resultado, as decisões de tratamento ainda dependem da experiência clínica (por exemplo, com base em características patológicas tradicionais como tamanho do tumor e invasão vascular), resultando em limitação da individualização, desperdício de recursos médicos e fardo de tratamento adicional para os doentes.

Estudos recentes mostraram que o Microambiente Imunitário do Tumor (TIME) é uma base biológica chave que afeta a sensibilidade terapêutica da TACE e dos TKIs 3. As características composicionais do TIME, incluindo a infiltração de células imunitárias (como células T CD8⁺, Tregs, CTLs e macrófagos associados ao tumor do tipo M2), a expressão de moléculas de ponto de verificação imunitário (como o Ligando 1 da Morte Celular Programada, PD-L1) e a estrutura espacial, estão intimamente relacionadas com a resposta ao tratamento 9-12. Por exemplo, um TIME imuno-inflamatório (alta densidade de células T CD8⁺ e formação de estruturas linfoides terciárias) pode estar positivamente correlacionado com a necrose tumoral após TACE e resposta ao tratamento com TKI; em contraste, um fenótipo imune-excluído ou desértico frequentemente indica resistência ao tratamento 13-15. No entanto, a avaliação atual do TIME depende principalmente de tecnologias de alta resolução como a Imunohistoquímica Multiplex (mIHC) e a transcriptómica espacial. Embora esses métodos possam descrever o microambiente em detalhe, têm estrangulamentos de aplicação como alto custo, operação complexa, altos requisitos para a qualidade da amostra e baixa padronização, o que limita a sua promoção clínica.

Os avanços na inteligência artificial, especialmente a tecnologia de aprendizagem profunda, forneceram uma nova abordagem para extrair informações patológicas aprofundadas de imagens de lâmina inteira (WSI) coradas rotineiramente com Hematoxilina e Eosina (HE). Como um dado de rotina para o diagnóstico patológico pós-operatório (cada doente com CHC terá uma WSI corada com HE gerada após a cirurgia sem amostragem ou teste adicional), a WSI contém detalhes de morfologia celular e estrutura tecidual que foram comprovados mapearem as características centrais do TIME. Por exemplo, através de arquiteturas como a Rede Neural Convolucional (CNN) e o Vision Transformer (ViT), padrões morfológicos relacionados com a densidade de infiltração de células T CD8⁺ e a expressão de PD-L1 podem ser automaticamente identificados, permitindo a previsão intermodal de "morfologia HE → estado imunitário" 16,17. Os estudos mais recentes confirmaram que os modelos de aprendizagem profunda baseados em WSI-HE podem prever a Instabilidade de Microssatélites (MSI) no cancro colorretal com alta precisão (AUC 0,88) 18, a expressão de PD-L1 (AUC 0,80) e a Carga de Mutação Tumoral (TMB, AUC 0,91) no cancro do pulmão de não pequenas células 19,20. Na área do cancro do fígado, estudos também utilizaram a aprendizagem profunda em WSI para prever o risco de recorrência pós-operatória (AUC 0,82) e a infiltração de células imunitárias em tecidos de cancro do fígado (AUC 0,78) 21,22. No entanto, nenhum estudo se concentrou no ponto de dor clínico de "prever a eficácia da terapêutica adjuvante pós-operatória (TACE/TKI)", e há falta de validação clínica multicêntrica e de grande amostra.

Portanto, a construção de um modelo preditivo para a terapêutica adjuvante pós-operatória do CHC baseado em WSI coradas com HE e algoritmos de aprendizagem profunda não só ajuda a analisar o papel mecanístico do TIME na resposta ao tratamento, mas também ultrapassa as limitações das tecnologias de deteção existentes, como alto custo, ciclo longo e dependência de plataformas especiais, promovendo o desenvolvimento das decisões de terapêutica adjuvante do cancro do fígado em direção à precisão e acessibilidade. Este projeto pretende integrar dados clinicopatológicos multicêntricos com algoritmos de inteligência artificial para estabelecer um modelo patológico digital adequado para prever a eficácia da TACE e dos TKIs, e realizar uma validação clínica rigorosa, com o objetivo de fornecer uma ferramenta de decisão científica e fiável para a seleção do tratamento pós-operatório do CHC.

# II. Procedimentos Específicos e Fluxo de Trabalho Este estudo é uma investigação abrangente que combina ensaios diagnósticos e estudos de intervenção, dividido em duas partes principais e múltiplas fases. O seu propósito é desenvolver e validar um sistema preditivo baseado em inteligência artificial para a terapêutica adjuvante pós-operatória do Carcinoma Hepatocelular (CHC). O estudo global segue o processo padronizado para o desenvolvimento de Software como Dispositivo Médico (SaMD) baseado em Inteligência Artificial (IA), incluindo recolha de dados retrospetivos, desenvolvimento e treino do modelo, validação retrospetiva, validação observacional prospetiva e o estudo de intervenção prospetivo final.

• Parte 1: Construção e Validação do Modelo de Reconhecimento do Microambiente Tumoral

  • Fase de Desenvolvimento e Treino Conjuntos de dados públicos (por exemplo, The Cancer Genome Atlas, TCGA) e um conjunto de dados retrospetivo do centro de investigação (n=1500, com 400 casos já recolhidos) serão utilizados como conjunto de treino. A tarefa central desta fase é desenvolver um modelo de aprendizagem profunda (por exemplo, uma arquitetura baseada em Vision Transformer ou ResNet) para identificar, segmentar e quantificar automaticamente características chave do microambiente tumoral a partir de Imagens de Lâmina Inteira (WSIs) coradas com Hematoxilina e Eosina (HE). Essas características incluem, mas não se limitam ao grau de infiltração de células imunitárias, proporção estromal, invasão vascular e áreas necróticas. Todas as imagens serão anotadas independentemente de forma cega por pelo menos dois patologistas seniores. Divergências serão resolvidas por consenso ou arbitragem por um terceiro patologista sénior para formar o padrão de ouro.
  • Fase de Validação Externa Um conjunto de dados retrospetivo de WSI de 8-10 centros médicos cooperantes nacionais será utilizado para realizar a validação preliminar da capacidade de generalização do modelo. Esta fase visa avaliar a robustez do modelo sob diferentes equipamentos de digitalização, diferentes processos de preparação e coloração de lâminas e diferentes hábitos de interpretação dos patologistas.
• Parte 2: Construção do Modelo de Previsão da Resposta ao Tratamento e Validação Clínica Multinível

Esta parte é o núcleo do estudo. Pretende construir um modelo de classificação que possa prever a resposta dos doentes a diferentes esquemas de tratamento adjuvante pós-operatório (cirurgia isolada, cirurgia + TACE, cirurgia + TACE + TKI) com base na saída do modelo da Parte 1 (ou seja, as características quantificadas do microambiente tumoral) combinadas com variáveis clínicas necessárias (como estádio TNM, classificação de Child-Pugh da função hepática e nível de AFP). Esta parte adota uma estratégia de validação hierárquica estrita:

• Fase de Treino do Modelo Dados retrospetivos do centro de investigação (n=1500) serão utilizados. Os doentes incluídos devem cumprir os seguintes critérios: ① CHC confirmado patologicamente; ② submetidos a ressecção radical; ③ ter dados completos de terapêutica adjuvante pós-operatória e seguimento. Definição de resposta ao tratamento: o endpoint primário é a Sobrevivência Livre de Recorrência (SLR), e os endpoints secundários incluem a Sobrevivência Global (SG) e a Taxa de Resposta Objetiva (TRO). O treino será conduzido utilizando algoritmos de aprendizagem automática multiclasse (como árvores de reforço de gradiente e redes neurais profundas) para produzir a categoria do esquema de tratamento do qual o doente tem maior probabilidade de beneficiar.
• Fase de Validação Interna Um conjunto de validação independente (n≈500, não sobreposto com o conjunto de treino) será reservado dos dados do centro através de divisão aleatória. Será utilizado para avaliar inicialmente o desempenho discriminativo do modelo e realizar ajuste de hiperparâmetros para prevenir sobreajuste.
• Fase de Validação Externa 1 (Validação Retrospetiva e Calibração do Modelo) Dados retrospetivos de múltiplos centros em todo o país (8-10 centros, n=3000) serão recolhidos. Os principais propósitos desta fase são: ① validar o desempenho do modelo num conjunto de dados externo de maior escala e mais heterogéneo; ② calibrar ou realizar otimização iterativa limitada do modelo com base nos resultados da validação para formar o modelo preditivo finalizado final.

Fase de Validação Externa 2 (Validação Retrospetiva de Grande Escala) O modelo finalizado será utilizado para validação num novo conjunto de dados retrospetivo de escala ultragrande (n=10.000) (de 3-5 centros). Isso consolidará ainda mais o nível de evidência e fornecerá uma base sólida para estudos prospetivos.

Fase de Validação Externa 3 (Estudo Observacional Prospetivo) Um total de 1000 doentes com CHC pós-operatório elegíveis serão inscritos prospetiva e consecutivamente em 10-15 centros. As suas imagens WSI serão recolhidas e inseridas no modelo para obter o esquema de tratamento previsto. No entanto, esta fase do estudo não interferirá com as decisões clínicas reais. Os investigadores registarão os resultados de previsão do modelo e as decisões clínicas reais, e observarão o prognóstico real dos doentes através do seguimento para avaliar a consistência entre as previsões do modelo e os resultados reais, bem como a atenuação do desempenho do modelo em ambientes do mundo real.

### Fase de Validação Externa 4 (Estudo de Intervenção Prospetivo) Este é o passo de validação final do estudo. Um ensaio clínico prospetivo, randomizado controlado ou pragmático será conduzido em colaboração com 3-5 centros, com aproximadamente 600 doentes inscritos. Os doentes serão divididos aleatoriamente em dois grupos: ① Grupo de Decisão Assistida por Modelo: os clínicos desenvolverão planos de tratamento para os doentes com base no esquema de tratamento ótimo previsto pelo modelo; ② Grupo de Tratamento Padrão: os planos de tratamento serão desenvolvidos inteiramente pelos clínicos com base nas diretrizes existentes e experiência clínica. A comparação primária será a SLR entre os dois grupos, de forma a fornecer o mais alto nível de medicina baseada em evidências para demonstrar a utilidade clínica da decisão assistida por modelo e o seu valor na melhoria do prognóstico.