Konstruktion och klinisk validering av en prediktiv modell för postoperativ adjuvanterapi vid hepatocellulärt karcinom baserad på helslides digitala patologiska bilder och djupinlärning

# I. Studiebakgrund och mål Hepatocellulärt karcinom (HCC) är en vanlig malign tumör världen över, som rankas som den 6:e vanligaste i termer av incidens och den 3:e i mortalitet globalt. Det orsakar cirka 480 000 dödsfall varje år, där Kina står för över 45 % av de globala fallen, vilket representerar en extremt tung sjukdomsbörda 1. Radikal kirurgisk resektion är det primära sättet för patienter med tidigt skede av levercancer att uppnå långtidsöverlevnad. Men 5-års recidivfrekvensen efter operation är så hög som 50 %–70 %, vilket allvarligt begränsar patienternas prognos 2. Postoperativ adjuvantbehandling har blivit en nyckelstrategi för att fördröja recidiv och förbättra överlevnad. Bland sådana behandlingar har Transarteriell kemoembolisering (TACE) och Tyrosinkinasinhibitorer (TKI, såsom sorafenib och lenvatinib) använts i stor utsträckning i behandlingen av patienter med hög risk för recidiv 1,3.

TACE inducerar ischemisk nekros genom att lokalt embolisera tumörförsörjande blodkärl kombinerat med perfusion av cytostatika, och är lämplig för intermediärt skede av levercancer 4,5. Multimåls-TKI-läkemedel, å andra sidan, kan systematiskt inhibera signalvägar såsom Vascular Endothelial Growth Factor Receptor (VEGFR) och Platelet-derived Growth Factor Receptor (PDGFR), vilket utövar anti-angiogena och anti-tumörproliferations effekter, och har blivit standardbehandlingen för avancerad levercancer 3. Ändå har båda behandlingsmodaliteterna betydande begränsningar: objektiv responsfrekvens för TACE är vanligtvis bara 50 %–60 %, och vissa patienter kan inte dra nytta av den och kan till och med uppleva leverskada 6. Även om TKI kan förlänga den recidivfria överlevnaden (RFS) för högriskpatienter efter operation med 3–5 månader, är behandlingsresponsfrekvensen i oselekterade populationer mindre än 20 %, och förekomsten av grad 3–4 biverkningar (såsom hypertoni, hand-fot-hudreaktion och proteinuri) är över 50 %, vilket leder till behandlingsavbrott hos 20 % av patienterna på grund av intolerans mot toxiska biverkningar 3,7,8. För närvarande saknar kliniken ett effektivt och pålitligt biomarkersystem för att identifiera potentiella nyttopopulationer. Som ett resultat förlitar sig behandlingsbeslut fortfarande på klinisk erfarenhet (t.ex. baserat på traditionella patologiska egenskaper som tumörstorlek och vaskulär invasion), vilket resulterar i begränsad individualisering, slöseri med medicinska resurser och ytterligare behandlingsbörda för patienterna.

Nyligen har studier visat att Tumörimmunmikromiljön (TIME) är en nyckelbiologisk grund som påverkar den terapeutiska känsligheten för TACE och TKI 3. TIME:s sammansättningsegenskaper, inklusive immuncellinfiltration (såsom CD8⁺ T-celler, Tregs, CTLs och M2-typ tumörassocierade makrofager), uttrycket av immuncheckpointmolekyler (såsom Programmed Cell Death Ligand 1, PD-L1) och rumslig struktur, är nära relaterade till behandlingsrespons 9–12. Till exempel kan en immuninflammatorisk TIME (hög CD8⁺ T-celldensitet och bildning av tertiära lymfoida strukturer) vara positivt korrelerad med tumörnekros efter TACE och TKI-behandlingsrespons; i kontrast indikerar en immunbefriad eller ökenfenotyp ofta behandlingsresistens 13–15. Men nuvarande TIME-bedömning förlitar sig mestadels på högupplösta teknologier som Multiplex Immunohistokemi (mIHC) och rumslig transkriptomik. Även om dessa metoder kan avbilda mikromiljön i detalj, har de tillämpningsflaskhalsar som hög kostnad, komplex drift, höga krav på provkvalitet och låg standardisering, vilket begränsar deras kliniska spridning.

Genombrott inom artificiell intelligens, särskilt djupinlärningsteknologi, har gett ett nytt tillvägagångssätt för att utvinna djup patologisk information från konventionell Hematoxylin och Eosin (HE)-färgad Whole Slide Imaging (WSI). Som rutindata för postoperativ patologisk diagnos (varje HCC-patient kommer att ha HE-färgad WSI genererad efter operation utan ytterligare provtagning eller testning) innehåller WSI cellulär morfologi och vävnadsstrukturdetaljer som har bevisats kunna kartlägga kärnegenskaperna hos TIME. Till exempel, genom arkitekturer som Convolutional Neural Network (CNN) och Vision Transformer (ViT), kan morfologiska mönster relaterade till CD8⁺ T-cellinfiltrationsdensitet och PD-L1-uttryck automatiskt identifieras, vilket möjliggör tvär-modell prediktion av "HE-morfologi → immunstatus" 16,17. De senaste studierna har bekräftat att djupinlärningsmodeller baserade på HE-WSI kan prediktera Mikrosatellitinstabilitet (MSI) i kolorektalcancer med hög noggrannhet (AUC 0,88) 18, PD-L1-uttryck (AUC 0,80) och Tumörmutationsbörda (TMB, AUC 0,91) i icke-småcellig lungcancer 19,20. Inom området levercancer har studier också använt WSI-djupinlärning för att prediktera postoperativ recidivrisk (AUC 0,82) och immuncellinfiltration i levercancervävnad (AUC 0,78) 21,22. Men inga studier har fokuserat på den kliniska smärtpunkten "att prediktera effekten av postoperativ adjuvantbehandling (TACE/TKI)", och det saknas multricenter, stort prov klinisk validering.

Därför skulle konstruktionen av en prediktiv modell för postoperativ adjuvantbehandling av HCC baserad på HE-färgad WSI och djupinlärningsalgoritmer inte bara hjälpa till att analysera den mekanistiska rollen av TIME i behandlingsrespons, utan också bryta igenom begränsningarna hos befintliga detektionsteknologier som hög kostnad, lång cykel och beroende av speciella plattformar, vilket främjar utvecklingen av levercancer adjuvantbehandlingsbeslut mot precision och tillgänglighet. Detta projekt avser att integrera multricenter klinikopatologiska data med artificiell intelligens algoritmer för att etablera en digital patologisk modell lämplig för att prediktera effekten av TACE och TKI, och genomföra rigorös klinisk validering, med målet att tillhandahålla ett vetenskapligt och pålitligt beslutsverktyg för postoperativ behandlingsval av HCC.

# II. Specifika procedurer och arbetsflöde Denna studie är en omfattande forskning som kombinerar diagnostiska prövningar och interventionsstudier, uppdelad i två huvudsakliga delar och flera faser. Dess syfte är att utveckla och validera ett artificiell intelligens-baserat prediktivt system för postoperativ adjuvantbehandling av Hepatocellulärt karcinom (HCC). Den övergripande studien följer den standardiserade processen för utveckling av Artificiell Intelligens (AI)-baserad Programvara som Medicinsk Utrustning (SaMD), inklusive retrospektiv datainsamling, modellutveckling och träning, retrospektiv validering, prospektiv observationsvalidering och slutlig prospektiv interventionsstudie.

• Del 1: Konstruktion och validering av Tumörmikromiljöigenkänningsmodell

  • Utvecklings- och träningsfas Offentliga dataset (t.ex. The Cancer Genome Atlas, TCGA) och ett retrospektivt dataset från forskningscentret (n=1500, med 400 fall redan insamlade) kommer att användas som träningsset. Kärnuppgiften i denna fas är att utveckla en djupinlärningsmodell (t.ex. en arkitektur baserad på Vision Transformer eller ResNet) för att automatiskt identifiera, segmentera och kvantifiera nyckeltumörmikromiljöegenskaper från Hematoxylin och Eosin (HE)-färgade Whole Slide Images (WSIs). Dessa egenskaper inkluderar men är inte begränsade till graden av immuncellinfiltration, stromaandel, vaskulär invasion och nekrotiska områden. Alla bilder kommer att annoteras oberoende i blindat läge av minst två seniorpatologer. Oenigheter kommer att lösas genom konsensus eller skiljedom av en tredje seniorpatolog för att bilda guldstandarden.
  • Extern valideringsfas Ett retrospektivt WSI-dataset från 8–10 inhemska samarbetsmedicinska centra kommer att användas för att genomföra preliminär validering av modellens generaliseringsförmåga. Denna fas syftar till att utvärdera modellens robusthet under olika skanningsutrustning, olika preparatframställnings- och färgningsprocesser, och olika tolkningsvanor hos patologer.
• Del 2: Konstruktion av Behandlingsresponsprediktionsmodell och flernivåklinisk validering

Denna del är kärnan i studien. Den syftar till att konstruera en klassificeringsmodell som kan prediktera patienters respons på olika postoperativa adjuvantbehandlingsregimer (kirurgi ensam, kirurgi + TACE, kirurgi + TACE + TKI) baserat på utdata från modellen i Del 1 (dvs. de kvantifierade tumörmikromiljöegenskaperna) kombinerat med nödvändiga kliniska variabler (såsom TNM-stadium, leverfunktion Child-Pugh-klassificering och AFP-nivå). Denna del använder en strikt hierarkisk valideringsstrategi:

• Modellträningsfas Retrospektiva data från forskningscentret (n=1500) kommer att användas. Patienter som ingår måste uppfylla följande kriterier: ① patologiskt bekräftad HCC; ② erhållit radikal resektion; ③ har kompletta postoperativa adjuvantbehandlings- och uppföljningsdata. Definition av behandlingsrespons: den primära slutpunkten är Recidivfri överlevnad (RFS), och de sekundära slutpunkterna inkluderar Total överlevnad (OS) och Objektiv responsfrekvens (ORR). Träning kommer att genomföras med flerklassmaskininlärningsalgoritmer (såsom gradient boosting-träd och djupa neurala nätverk) för att mata ut behandlingsregimkategorin som patienten med största sannolikhet drar nytta av.
• Intern valideringsfas Ett oberoende valideringsset (n≈500, icke-överlappande med träningssetet) kommer att reserveras från centrets data genom slumpmässig uppdelning. Det kommer att användas för att initialt utvärdera modellens diskriminerande prestanda och utföra hyperparameterjustering för att förhindra överanpassning.
• Extern valideringsfas 1 (Retrospektiv validering och modellkalibrering) Retrospektiva data från flera centra över landet (8–10 centra, n=3000) kommer att samlas in. Huvudsyftena med denna fas är: ① att validera modellens prestanda på en större skala och mer heterogent externt dataset; ② att kalibrera eller genomföra begränsad iterativ optimering av modellen baserat på valideringsresultaten för att bilda den slutliga slutgiltiga prediktiva modellen.

Extern valideringsfas 2 (Storskalig retrospektiv validering) Den slutgiltiga modellen kommer att användas för validering på ett nytt, ultrastorskaligt (n=10 000) retrospektivt dataset (från 3–5 centra). Detta kommer ytterligare att konsolidera bevisnivån och tillhandahålla en solid grund för prospektiva studier.

Extern valideringsfas 3 (Prospektiv observationsstudie) Totalt 1000 kvalificerade postoperativa HCC-patienter kommer att prospektivt och i följd rekryteras på 10–15 centra. Deras WSI-bilder kommer att samlas in och matas in i modellen för att få den predikterade behandlingsregimen. Men denna studie fas kommer inte att störa faktiska kliniska beslut. Forskare kommer att registrera modellens prediktionsresultat och faktiska kliniska beslut, och observera patienternas faktiska prognos genom uppföljning för att utvärdera överensstämmelsen mellan modellens prediktioner och faktiska utfall, såväl som modellens prestandaförsvagning i verkliga förhållanden.

### Extern valideringsfas 4 (Prospektiv interventionsstudie) Detta är det slutliga valideringssteget i studien. En prospektiv, randomiserad kontrollerad eller pragmatisk klinisk prövning kommer att genomföras i samarbete med 3–5 centra, med cirka 600 patienter rekryterade. Patienter kommer att slumpmässigt delas in i två grupper: ① Modellassisterat beslutsfattande grupp: kliniker kommer att utveckla behandlingsplaner för patienter baserat på modellens predikterade optimala behandlingsregim; ② Standardbehandlingsgrupp: behandlingsplaner kommer att utvecklas helt av kliniker baserat på befintliga riktlinjer och klinisk erfarenhet. Den primära jämförelsen kommer att vara RFS mellan de två grupperna, för att tillhandahålla den högsta nivån av evidensbaserad medicin för att demonstrera den kliniska nyttan av modellassisterat beslutsfattande och dess värde i att förbättra prognos.