主要观点总结
清华大学生物医学工程系的陈慧军团队在《eClinicalMedicine》期刊上发表了一篇关于不可切除肝细胞癌（uHCC）的研究论文。该研究旨在开发一个基于深度学习的决策支持系统，以支持临床医生对uHCC进行动脉内介入治疗（IAIT）的决策。论文介绍了他们的研究成果及对未来研究的建议。
关键观点总结
关键观点1: 研究背景
介绍了不可切除肝细胞癌（uHCC）构成全球健康挑战，需要创新的预后和治疗计划工具来改善患者管理。经动脉化疗栓塞术（TACE）和肝动脉输注化疗（HAIC）是目前针对亚洲uHCC患者的两种标准动脉内介入治疗（IAIT）方案。医疗人工智能（AI）在指导治疗决策方面的实际应用仍然有限。
关键观点2: 研究目的
开发一个基于深度学习的决策支持系统，将临床信息与动态对比增强计算机断层扫描（CECT）相结合，以支持临床医生对uHCC进行IAIT决策。
关键观点3: 研究成果
SELECTION深度学习模型在临床实践中显著提高uHCC患者治疗计划的准确性。ATOM模型在推荐治疗方面有潜在价值，可以加强个体化IAIT方案。
关键观点4: 研究亮点
这是首个使用真实世界回顾性临床和CECT数据验证IAIT方案在异质uHCC人群中基于深度学习的决策支持的研究。SELECTION模型成功预测uHCC治疗结果，ATOM模型为临床医生提供了有力的工具，可轻松实施，进行风险分层和预后预测。
正文
【导读】不可切除的肝细胞癌（uHCC）构成了重大的全球健康挑战，需要创新的预后和治疗计划工具，来改善患者管理。主要的治疗策略，包括经动脉化疗栓塞术（TACE）和肝动脉输注化疗（HAIC）。
2024年9月， 清华大学生物医学工程系陈慧军团队在期刊《eClinicalMedicine》上发表了题为“A deep learning model for personalized intra-arterial therapy planning in unresectable hepatocellular carcinoma: a multicenter retrospective study”的研究论文。研究结果表明，将SELECTION和ATOM等先进的深度学习模型纳入临床实践，可以显著提高uHCC患者治疗计划的准确性。这种方法有可能增强个性化的治疗策略，从而带来更好的患者预后。未来的研究，应侧重于在不同的患者群体和环境中进一步验证这些模型，以确保其普遍性和稳健性。此外，探索将这些模型整合到常规临床工作流程中，并评估它们对临床决策和患者结果的影响，将是有价值的。
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(24)00387-0/fulltext
经动脉化疗栓塞术（TACE）和肝动脉灌注化疗（HAIC）是目前针对亚洲不可切除肝细胞癌（uHCC）患者的两种标准动脉内介入治疗（IAIT）方案，以国际指南和多项随机临床试验为指导。此外，IAIT与分子靶向药物（MTA）或免疫检查点抑制剂（ICI）联合给药，显示uHCC的长期生存获益显著改善。
在肝细胞癌（HCC）的情况下，从中期到晚期的转变，通常与肿瘤侵袭性增加相对应。肿瘤异质性的复杂性，突出了临床环境中uHCC患者干预策略选择的复杂性。uHCC的治疗决策过程，仍然是一个持续争议的话题。关键考虑因素包括影像学特征，例如，肿瘤负荷、肝硬化的存在、非边缘过度增强和浸润性外观，所有这些都在HCC患者的预后预测中，起着关键作用。
医疗人工智能（AI）正在从研究发展到临床应用。尽管如此，图像驱动AI在临床环境中，指导治疗决策的实际应用仍然有限。动态对比增强计算机断层扫描（CECT）是一种标准化的成像技术，可提供对肿瘤特征的见解。
本研究旨在开发一个基于深度学习（DL）的决策支持系统，将临床信息与CECT相结合，以支持临床医生对uHCC进行IAIT决策。据团队所知，这是首个使用收集的真实世界回顾性临床和CECT数据，来验证IAIT方案在异质uHCC人群中基于深度学习的决策支持的研究。
SELECTION对独特治疗计划预后的预测
在所有队列中，SELECTION均显著优于临床模型1，预期来自HC队列的外部验证集（P<0.05）。与临床模型1相比，临床模型2的表现始终如一，临床模型2在TC队列中优于临床模型1。HAIC、TACE和TC队列的训练、内部验证和外部验证集中计算的生存评分之间，没有显著差异（P>0.05）。HAIC组合队列的训练集和内部验证集之间，存在显著差异（P=0.019），但训练和外部验证集之间，不存在显著差异。TACE、TC、HAIC和HC队列在每个训练数据集中发现的中位生存评分（MSS），分别为0.4035、0.6130、0.3368和0.6458。
ATOM对推荐治疗指导的潜在价值
在这项研究中，客观缓解率（OOR）作为评价TACE或HAIC治疗效果的重要指标。团队通过分析接受TACE或HAIC的uHCC患者的ORR，研究了ATOM（基于AI的治疗决策模式）在指导治疗计划中的价值。此外，团队通过分析接受联合治疗的uHCC患者的1年OS，评估了ATOM在推荐额外联合治疗与IAIT方面的价值。
外部验证集中不同队列的实际ORR/OS率，与建议不一致或ATOM未建议建议的患者相比，ATOM和临床医生之间看到了一致的建议。
SELECTION已成功预测uHCC治疗结果。ATOM用于推荐uHCC患者的IAIT方案，它可以在临床实践中轻松实施，供医生和患者快速准确地进行风险分层和预后预测，从而成为加强个体化IAIT方案的更有利工具。
参考资料：
1.EASL clinical practice guidelines: management of hepatocellular carcinoma
J Hepatol. 2018; 69:182-236
2.Heimbach, J.K. ∙ Kulik, L.M. ∙ Finn, R.S. ∙ et al.
AASLD guidelines for the treatment of hepatocellular carcinoma
Hepatology. 2018; 67:358-380
【关于投稿】
转化医学网（360zhyx.com）是转化医学核心门户，旨在推动基础研究、临床诊疗和产业的发展，核心内容涵盖组学、检验、免疫、肿瘤、心血管、糖尿病等。如您有最新的研究内容发表，欢迎联系我们进行免费报道（公众号菜单栏-在线客服联系），我们的理念：内容创造价值，转化铸就未来！
转化医学网（360zhyx.com）发布的文章旨在介绍前沿医学研究进展，不能作为治疗方案使用；如需获得健康指导，请至正规医院就诊。
