Разработка и клиническая валидация прогностической модели послеоперационной адъювантной терапии при гепатоцеллюлярной карциноме на основе цифровых патологических изображений полных срезов и глубокого обучения

# I. Обоснование и цели исследования Гепатоцеллюлярная карцинома (ГЦК) является распространённой злокачественной опухолью во всём мире, занимая 6-е место по заболеваемости и 3-е место по смертности в глобальном масштабе. Ежегодно она приводит примерно к 480 000 смертей, причём на Китай приходится более 45% всех случаев в мире, что представляет собой чрезвычайно тяжёлое бремя болезни 1. Радикальная хирургическая резекция является основным способом достижения долгосрочной выживаемости у пациентов с раком печени на ранней стадии. Однако 5-летняя послеоперационная частота рецидивов достигает 50%-70%, что серьёзно ограничивает прогноз пациентов 2. Послеоперационная адъювантная терапия стала ключевой стратегией для отсрочки рецидива и улучшения выживаемости. Среди таких методов терапии широко используются трансаретериальная химиоэмболизация (ТАХЭ) и ингибиторы тирозинкиназ (ИТК, такие как сорафениб и ленватиниб) при лечении пациентов с высоким риском рецидива 1,3.

ТАХЭ вызывает ишемический некроз путём локальной эмболизации кровоснабжающих опухоль сосудов в сочетании с перфузией химиотерапевтического препарата и подходит для промежуточной стадии рака печени 4,5. Мультитаргетные препараты ИТК, с другой стороны, могут системно ингибировать сигнальные пути, такие как рецептор фактора роста эндотелия сосудов (VEGFR) и рецептор тромбоцитарного фактора роста (PDGFR), оказывая антиангиогенное и противоопухолевое пролиферативное действие, и стали стандартным лечением распространённого рака печени 3. Тем не менее, оба метода лечения имеют существенные ограничения: объективный ответ на ТАХЭ обычно составляет лишь 50%-60%, и некоторые пациенты не могут получить от неё пользу, а иногда даже испытывают повреждение функции печени 6. Хотя ИТК могут продлить рецидив-свободную выживаемость (РСВ) послеоперационных пациентов высокого риска на 3-5 месяцев, частота ответа на лечение в неселекционированной популяции составляет менее 20%, а частота побочных реакций 3-4 степени (таких как гипертензия, кожная реакция на ладонях и подошвах и протеинурия) превышает 50%, что приводит к прекращению лечения у 20% пациентов из-за непереносимости токсических побочных эффектов 3,7,8. В настоящее время в клинической практике отсутствует эффективная и надёжная система биомаркеров для идентификации потенциальной популяции, получающей пользу. В результате решения о лечении по-прежнему основываются на клиническом опыте (например, на традиционных патологических признаках, таких как размер опухоли и сосудистая инвазия), что приводит к ограниченной индивидуализации, растрате медицинских ресурсов и дополнительной терапевтической нагрузке на пациентов.

Недавние исследования показали, что опухолевая иммунная микроокружающая среда (TIME) является ключевой биологической основой, влияющей на терапевтическую чувствительность к ТАХЭ и ИТК 3. Характеристики состава TIME, включая инфильтрацию иммунных клеток (таких как CD8⁺ T-клетки, Tregs, CTLs и M2-тип опухолеассоциированных макрофагов), экспрессию молекул иммунных контрольных точек (таких как лиганд запрограммированной смерти клеток 1, PD-L1) и пространственную структуру, тесно связаны с ответом на лечение 9-12. Например, иммуновоспалительная TIME (высокая плотность CD8⁺ T-клеток и формирование третичных лимфоидных структур) может положительно коррелировать с опухолевым некрозом после ТАХЭ и ответом на лечение ИТК; напротив, иммуноисключающий или пустынный фенотип часто указывает на резистентность к лечению 13-15. Однако текущая оценка TIME в основном опирается на высокоразрешающие технологии, такие как мультиплексная иммуногистохимия (mIHC) и пространственная транскриптомика. Хотя эти методы могут детально описать микроокружение, они имеют ограничения в применении, такие как высокая стоимость, сложность выполнения, высокие требования к качеству образцов и низкая стандартизация, что ограничивает их клиническое внедрение.

Прорывы в области искусственного интеллекта, особенно технологии глубокого обучения, предоставили новый подход для извлечения глубинной патологической информации из обычных окрашенных гематоксилином и эозином (ГЭ) изображений целых срезов (WSI). Как рутинные данные послеоперационной патологической диагностики (у каждого пациента с ГЦК будет сгенерировано ГЭ-окрашенное WSI после операции без дополнительного забора образцов или тестирования), WSI содержит детали клеточной морфологии и структуры тканей, которые, как доказано, отражают ключевые характеристики TIME. Например, с помощью архитектур, таких как свёрточные нейронные сети (CNN) и Vision Transformer (ViT), можно автоматически идентифицировать морфологические паттерны, связанные с плотностью инфильтрации CD8⁺ T-клеток и экспрессией PD-L1, что позволяет осуществлять кросс-модальное прогнозирование «ГЭ морфология → иммунный статус» 16,17. Последние исследования подтвердили, что модели глубокого обучения на основе ГЭ-WSI могут с высокой точностью прогнозировать микросателлитную нестабильность (MSI) при колоректальном раке (AUC 0,88) 18, экспрессию PD-L1 (AUC 0,80) и опухолевую мутационную нагрузку (TMB, AUC 0,91) при немелкоклеточном раке лёгкого 19,20. В области рака печени исследования также использовали глубокое обучение на WSI для прогнозирования риска послеоперационного рецидива (AUC 0,82) и инфильтрации иммунных клеток в тканях рака печени (AUC 0,78) 21,22. Однако ни одно исследование не было сосредоточено на клинической проблеме «прогнозирования эффективности послеоперационной адъювантной терапии (ТАХЭ/ИТК)», и отсутствует многоцентровая клиническая валидация на большой выборке.

Поэтому создание прогностической модели послеоперационной адъювантной терапии ГЦК на основе ГЭ-окрашенных WSI и алгоритмов глубокого обучения не только помогает проанализировать механистическую роль TIME в ответе на лечение, но и преодолевает ограничения существующих методов обнаружения, таких как высокая стоимость, длительный цикл и зависимость от специальных платформ, способствуя развитию принятия решений по адъювантной терапии рака печени в направлении точности и доступности. Данный проект намерен интегрировать многоцентровые клинико-патологические данные с алгоритмами искусственного интеллекта, чтобы создать цифровую патологическую модель, пригодную для прогнозирования эффективности ТАХЭ и ИТК, и провести строгую клиническую валидацию, с целью предоставить научный и надёжный инструмент принятия решений для выбора послеоперационного лечения ГЦК.

# II. Конкретные процедуры и рабочий процесс Это исследование представляет собой комплексную работу, сочетающую диагностические испытания и интервенционные исследования, разделённую на две основные части и несколько этапов. Его цель — разработать и валидировать систему прогнозирования послеоперационной адъювантной терапии гепатоцеллюлярной карциномы (ГЦК) на основе искусственного интеллекта. Общее исследование следует стандартизированному процессу разработки программного обеспечения как медицинского устройства (SaMD) на основе искусственного интеллекта (ИИ), включая сбор ретроспективных данных, разработку и обучение модели, ретроспективную валидацию, проспективную наблюдательную валидацию и окончательное проспективное интервенционное исследование.

• Часть 1: Построение и валидация модели распознавания опухолевой микроокружающей среды

  • Фаза разработки и обучения Будут использованы публичные наборы данных (например, The Cancer Genome Atlas, TCGA) и ретроспективный набор данных из исследовательского центра (n=1500, из которых уже собрано 400 случаев) в качестве обучающего набора. Ключевая задача этой фазы — разработать модель глубокого обучения (например, архитектуру на основе Vision Transformer или ResNet) для автоматической идентификации, сегментации и количественной оценки ключевых характеристик опухолевой микроокружающей среды из окрашенных гематоксилином и эозином (ГЭ) изображений целых срезов (WSI). Эти характеристики включают, но не ограничиваются, степень инфильтрации иммунных клеток, долю стромы, сосудистую инвазию и некротические области. Все изображения будут независимо аннотированы вслепую как минимум двумя старшими патологами. Разногласия будут разрешаться путём консенсуса или арбитража третьим старшим патологом для формирования золотого стандарта.
  • Фаза внешней валидации Ретроспективный набор данных WSI из 8-10 отечественных сотрудничающих медицинских центров будет использован для проведения предварительной валидации способности модели к обобщению. Цель этой фазы — оценить устойчивость модели при использовании различного сканирующего оборудования, различных процессов приготовления и окрашивания срезов и различных привычек интерпретации патологов.
• Часть 2: Построение модели прогнозирования ответа на лечение и многоуровневая клиническая валидация

Эта часть является ядром исследования. Она направлена на построение классификационной модели, которая может прогнозировать ответ пациентов на различные схемы послеоперационной адъювантной терапии (только хирургия, хирургия + ТАХЭ, хирургия + ТАХЭ + ИТК) на основе выходных данных модели из Части 1 (т.е. количественно оцененных характеристик опухолевой микроокружающей среды) в сочетании с необходимыми клиническими переменными (такими как стадия TNM, классификация функции печени по Чайлд-Пью и уровень АФП). Эта часть использует строгую иерархическую стратегию валидации:

• Фаза обучения модели Будут использованы ретроспективные данные из исследовательского центра (n=1500). Включённые пациенты должны соответствовать следующим критериям: ① патологически подтверждённая ГЦК; ② перенесли радикальную резекцию; ③ имеют полные данные послеоперационной адъювантной терапии и наблюдения. Определение ответа на лечение: первичной конечной точкой является рецидив-свободная выживаемость (РСВ), а вторичными конечными точками включаются общая выживаемость (ОВ) и частота объективного ответа (ЧОО). Обучение будет проводиться с использованием многоклассовых алгоритмов машинного обучения (таких как градиентный бустинг деревьев и глубокие нейронные сети) для вывода категории схемы лечения, от которой пациент, скорее всего, получит пользу.
• Фаза внутренней валидации Независимый валидационный набор (n≈500, не пересекающийся с обучающим набором) будет зарезервирован из данных центра путём случайного разделения. Он будет использован для первоначальной оценки дискриминационной способности модели и настройки гиперпараметров для предотвращения переобучения.
• Фаза внешней валидации 1 (Ретроспективная валидация и калибровка модели) Будут собраны ретроспективные данные из множества центров по всей стране (8-10 центров, n=3000). Основные цели этой фазы: ① валидировать производительность модели на более крупном и более гетерогенном внешнем наборе данных; ② откалибровать или провести ограниченную итеративную оптимизацию модели на основе результатов валидации для формирования окончательной финализированной прогностической модели.

Фаза внешней валидации 2 (Крупномасштабная ретроспективная валидация) Финализированная модель будет использована для валидации на новом, сверхкрупномасштабном (n=10 000) ретроспективном наборе данных (из 3-5 центров). Это дополнительно укрепит уровень доказательств и обеспечит прочную основу для проспективных исследований.

Фаза внешней валидации 3 (Проспективное наблюдательное исследование) Всего 1000 подходящих послеоперационных пациентов с ГЦК будут проспективно и последовательно включены в 10-15 центрах. Их изображения WSI будут собраны и введены в модель для получения прогнозируемой схемы лечения. Однако эта фаза исследования не будет вмешиваться в фактические клинические решения. Исследователи будут регистрировать прогнозные результаты модели и фактические клинические решения, а также наблюдать фактический прогноз пациентов через наблюдение, чтобы оценить согласованность между прогнозами модели и фактическими исходами, а также ослабление производительности модели в реальных условиях.

### Фаза внешней валидации 4 (Проспективное интервенционное исследование) Это заключительный этап валидации исследования. Будет проведено проспективное рандомизированное контролируемое или прагматическое клиническое испытание в сотрудничестве с 3-5 центрами, с включением примерно 600 пациентов. Пациенты будут случайным образом разделены на две группы: ① Группа принятия решений с помощью модели: клиницисты будут разрабатывать планы лечения для пациентов на основе прогнозируемой моделью оптимальной схемы лечения; ② Группа стандартного лечения: планы лечения будут полностью разрабатываться клиницистами на основе существующих руководств и клинического опыта. Основным сравнением будет РСВ между двумя группами, чтобы предоставить наивысший уровень доказательной медицины для демонстрации клинической полезности принятия решений с помощью модели и её ценности в улучшении прогноза.