Стратификация риска гепатокарциногенеза с использованием клинической, биологической и ультразвуковой модели, основанной на глубоком обучении, у пациентов с высоким риском (STARHE)

К 2030 году гепатоцеллюлярная карцинома (ГЦК) станет второй ведущей причиной смерти от рака, на которую, по данным Всемирной организации здравоохранения, приходится более одного миллиона смертей в год.

На сегодняшний день скрининг на гепатоцеллюлярную карциному во Франции остается единым для всех пациентов, основанным исключительно на УЗИ печени каждые 6 месяцев. Преимущество этой схемы заключается в приемлемом соотношении затрат и эффективности и, прежде всего, в повышении общей выживаемости. Однако у этой стратегии есть три основных ограничения: отсутствие персонализации, низкая комплаентность, относительно низкая эффективность УЗИ.

Разработаны модели стратификации риска для хронического гепатита С, алкогольного цирроза печени и неалкогольного стеатогепатита (НАСГ), включающие клинические (возраст, пол, индекс массы тела и диабет) и биологические (АСАТ/АЛАТ, тромбоциты, альбумин) параметры. Однако они не включали анализ паренхимы печени, которая является физиопатологическим субстратом гепатоканцерогенеза. В 1990-х годах несколько авторов изучали заболеваемость гепатоцеллюлярной карциномой по данным эхоструктуры печени. Они согласились с чрезмерным риском, представленным узловатой гетерогенной эхоструктурой с расчетным коэффициентом частоты до 20.

Однако все эти результаты еще не привели к разработке персонализированной стратегии радиологического скрининга. Появление новых методов искусственного интеллекта может революционизировать этот подход.

Глубокое обучение, подкласс машинного обучения, является популярной областью исследований, которая может помочь людям выполнять определенные задачи. В отличие от радиомики, глубокое обучение может автоматически идентифицировать новые функции изображения, не определенные человеком.

Гипотеза данного исследования заключается в том, что неопухолевая цирротическая паренхима печени богата структурной информацией, отражающей тяжесть гепатопатии, ее канцерологический риск и процесс гепатоканцерогенеза. Его анализ в сочетании с клиническими и биологическими данными, которые уже были изучены для стратификации риска гепатоканцерогенеза, позволит определить популяцию очень высокого риска, особенно в контексте эрадикации вируса гепатита С (ВГС) и вируса гепатита В (ВГВ). ) контроль.

Следовательно, в этом исследовании предлагается разработать перспективную модель глубокого обучения для стратификации риска гепатоканцерогенеза, включив в нее клинические, биологические и радиологические ультразвуковые параметры. Основная цель исследования состоит в том, чтобы выявить группу населения с очень высоким риском развития гепатокарциномы, чтобы предложить различные методы скрининга пациентам, подверженным наибольшему риску.

В это клиническое исследование будут включены пациенты в возрасте старше 18 лет, направленные их гепатологом в рамках ультразвукового скрининга в соответствии с рекомендациями Европейской ассоциации по изучению печени (EASL) для скрининга гепатоцеллюлярной карциномы, за исключением нецирротического заболевания печени ВГВ: нет - цирроз печени F3 стадии любой этиологии на основании индивидуальной оценки риска гепатокарциномы; цирроз любой причины, невирусный или вирусологически вылеченный (ВГС) или контролируемый (ВГВ). Пациенты с леченной гепатоцеллюлярной карциномой в анамнезе будут исключены.

Проспективно будут сформированы две группы пациентов: в 1-ю группу войдут пациенты с диагнозом гепатоцеллюлярная карцинома более 1 см (референтные стандарты диагностики: рентгенологические или гистологические). Таким образом, эти пациенты будут соответствовать очень высокому риску; Группа 2 будет включать пациентов без гепатоцеллюлярной карциномы, что соответствует более низкому риску. УЗИ с интервалом в 1 год будет проводиться у пациентов группы 2, чтобы подтвердить отсутствие нового узла в течение года после включения. Доля новой гепатоцеллюлярной карциномы не должна превышать 3%.

Собранные данные будут клиническими, биологическими, эластографическими и ультразвуковыми параметрами.

С использованием этих данных на Python будет разработана модель глубокого обучения с использованием архитектуры глубокой сверточной нейронной сети.

Всего в 7 исследовательских центрах 300 пациентов (равномерно распределенных между двумя группами) будут включены в когорту обучения/проверки и 100 пациентов (равномерно распределены между двумя группами) в тестовую когорту. Эти цифры рассчитываются на основе ультразвуковых исследований, сообщающих о коэффициенте риска ГЦК до 20 в случае макронодулярного ультразвукового рисунка и требований глубокого обучения (необходимы большие числа).

Когорты обучения/валидации и тестирования будут из внешних и независимых центров.

Диагностическая эффективность модели будет оцениваться по площади под кривой (AUC), чувствительности, специфичности и показателю F1 (95% доверительные интервалы) в тестовой когорте.