Riskstratifiering av hepatokarcinogenes med hjälp av en djupinlärningsbaserad klinisk, biologisk och ultraljudsmodell hos högriskpatienter (STARHE)

År 2030 kommer hepatocellulärt karcinom (HCC) att bli den näst vanligaste orsaken till cancerrelaterad död, vilket står för mer än en miljon dödsfall per år enligt Världshälsoorganisationen.

Hittills förblir screening för hepatocellulärt karcinom i Frankrike enhetlig för alla patienter, baserat enbart på ett leverultraljud var sjätte månad. Detta schema har fördelen att det förknippas med ett acceptabelt kostnadseffektivitetsförhållande och framför allt att få en ökad total överlevnad. Denna strategi har dock tre huvudsakliga begränsningar: bristande personalisering, låg följsamhet, relativt dålig prestanda för ultraljudet.

Riskstratifieringsmodeller har utvecklats för kronisk hepatit C, alkoholisk cirros och icke-alkoholisk steatohepatit (NASH) inklusive kliniska (ålder, kön, body mass index och diabetes) och biologiska (ASAT/ALAT, trombocyter, albumin) parametrar. De inkluderade dock inte analys av leverparenkymet som är det fysiopatologiska substratet för hepatokarcinogenes. På 1990-talet studerade flera författare förekomsten av hepatocellulärt karcinom enligt leverens ekostruktur. De var överens om överrisken som representeras av en nodulär heterogen ekostruktur med ett uppskattat hastighetsförhållande på upp till 20.

Alla dessa resultat har dock ännu inte lett till en personlig radiologisk screeningstrategi. Tillkomsten av nya artificiell intelligenstekniker skulle kunna revolutionera tillvägagångssättet.

Deep learning, en underklass av maskininlärning, är ett populärt forskningsområde som kan hjälpa människor att utföra vissa uppgifter. Till skillnad från radiomik kan djupinlärning automatiskt identifiera nya bildegenskaper som inte definieras av människor.

Hypotesen för denna studie är att det icke-tumörcirrhotiska leverparenkymet är rikt på strukturell information som återspeglar svårighetsgraden av hepatopatin, dess karcinologiska risk och processen för hepatokarcinogenes. Dess analys i kombination med kliniska och biologiska data, som redan har studerats för att stratifiera risken för hepatokarcinogenes, kommer att göra det möjligt att definiera en mycket högriskpopulation, särskilt i samband med utrotning av hepatit C-virus (HCV) och hepatit B-virus (HBV) ) kontroll.

Följaktligen föreslår denna studie att prospektivt utforma en modell för djupinlärning för stratifiering av risken för hepatokarcinogenes genom att inkludera kliniska, biologiska och radiologiska ultraljudsparametrar. Det primära syftet med studien är att identifiera en population med mycket hög risk att utveckla hepatokarcinom för att kunna föreslå olika screeningmetoder för de patienter som löper störst risk.

Denna kliniska studie kommer att inkludera patienter över 18 år som hänvisats av sin hepatolog inom ramen för ultraljudsscreening enligt European Association for the Study of the Liver (EASL) rekommendationer för screening av hepatocellulärt karcinom, förutom för icke-cirrhotisk HBV-leversjukdom: icke - cirrhotic F3-stadium leversjukdom av vilken orsak som helst baserat på individuell riskbedömning för hepatokarcinom; cirros av vilken orsak som helst, icke-viral eller virologiskt botad (HCV) eller kontrollerad (HBV). Patienter med en historia av behandlat hepatocellulärt karcinom kommer att exkluderas.

Två grupper av patienter kommer att konstitueras prospektivt: grupp 1 kommer att inkludera patienter med en diagnos av hepatocellulärt karcinom större än 1 cm (referensdiagnostiska standarder: radiologiska eller histologiska). Dessa patienter kommer därför att motsvara en mycket hög risk; Grupp 2 kommer att omfatta patienter utan hepatocellulärt karcinom, vilket motsvarar en lägre risk. Ett ultraljud med 1 års intervall kommer att utföras hos patienter i grupp 2 för att bekräfta frånvaron av ny knöl under året efter inkluderingen. Andelen nya hepatocellulära karcinom bör inte överstiga 3 %.

Data som samlas in kommer att vara kliniska, biologiska, elastografiska och ultraljudsparametrar.

En Deep Learning-modell som använder en djup konvolutionell neural nätverksarkitektur kommer att utvecklas på Python med hjälp av dessa data.

På totalt 7 undersökningsplatser kommer 300 patienter (rättvist fördelade mellan de två grupperna) att ingå i tränings-/valideringskohorten och 100 patienter (jämnt fördelade mellan de två grupperna) i testkohorten. Dessa siffror beräknas från ultraljudsstudier som rapporterar en riskkvot för HCC-risk på upp till 20 vid makronodulärt ultraljudsmönster och krav på djupinlärning (stora siffror behövs).

Utbildnings-/validerings- och testkohorterna kommer att vara från externa och oberoende centra.

Modellens diagnostiska prestanda kommer att uppskattas av Area Under the Curve (AUC), sensitivitet, specificitet och F1-poäng (95 % konfidensintervall) på testkohorten.