Machine Learning Model Integrating Clinical Features, CT Radiomics, and Transfer Learning for Predicting Aggressive Recurrence of Hepatocellular Carcinoma

ملخص تقني: نموذج تعلم آلي يدمج الميزات السريرية، والنمذجة الإشعاعية (Radiomics) لصور الأشعة المقطعية، والتعلم بنقل الخبرة (Transfer Learning) للتنبؤ بالارتداد الشرس لسرطان الخلايا الكبدية

بيان المشكلة
لا يزال سرطان الخلايا الكبدية (HCC) سبباً رئيسياً للوفيات المرتبطة بالسرطان، حيث تصل معدلات الارتداد بعد الاستئصال الجراحي لغرض الشفاء إلى 60-70%. ويتمثل التحدي السريري الحرج في التنبؤ بـ "الارتداد الشرس"، والذي يُعرف بأنه أول حالة ارتداد تتجاوز معايير ميلان (مثل: عبء ورمي كبير، أو غزو وعائي، أو نقائل خارج الكبد). تعتمد التقييمات الحالية بشكل كبير على الخصائص الباثولوجية بعد الجراحة (مثل الغزو الوعائي الدقيق) أو المؤشرات المصلية مثل (AFP)، والتي تفتقر إلى الحساسية لاتخاذ القرارات قبل الجراحة. وبينما توفر النمذجة الإشعاعية (Radiomics) بديلاً غير جراحي، فإن الميزات المصممة يدوياً غالباً ما تعجز عن التقاط الأنماط المكانية المعقدة لشراسة الورم وتكون عرضة للإفراط في التخصيص (Overfitting) في مجموعات البيانات الصغيرة. علاوة على ذلك، تتطلب نماذج التعلم العميق عادةً مجموعات بيانات ضخمة موسومة، وهي نادرة في التصوير الطبي. تعالج هذه الدراسة الحاجة إلى نموذج تنبؤي غير جراحي وما قبل جراحي يدمج البيانات السريرية، والنمذجة الإشعاعية التقليدية، وميزات التعلم العميق لتحديد المرضى ذوي الخطورة العالية من أجل استراتيجيات محيطة بالجراحة مخصصة لكل حالة.

المنهجية
اعتمدت الدراسة تصميماً استعادياً شمل 455 مريضاً مصاباً بسرطان الخلايا الكبدية خضعوا لاستئصال كبدي علاجي في المستشفى الأول التابع لجامعة قوانغشي الطبية (2013-2020). تم تقسيم المجموعة إلى مجموعة تدريب (ن=318) ومجموعة تحقق (ن=137) بنسبة 7:3.

1. جمع البيانات والمعالجة المسبقة:

• البيانات السريرية: شملت المتغيرات قبل الجراحية الديموغرافيا، الاختبارات المختبرية (مثل الألبومين، AFP، ودرجة FIB-4)، والقياسات التصويرية (مثل قطر الوريد البابي).
• التصوير: استُخدمت صور الأشعة المقطعية المعززة بالتباين في المرحلة الوريدية البابية قبل الجراحة. تم تقسيم مناطق الاهتمام (ROIs) يدوياً باستخدام برنامج ITK-SNAP بواسطة طبيبين استشاريين.
• النمذجة الإشعاعية (Radiomics): باستخدام PyRadiomics، تم استخراج 1,561 ميزة مصممة يدوياً، تغطي الإحصاءات من الدرجة الأولى، ومصفوفات النسيج (GLCM, GLRLM, GLSZM, NGTDM, GLDM)، وميزات الشكل. خضعت الميزات لعملية تطبيع (Z-score normalization).
• التعلم العميق (التعلم بنقل الخبرة): تم استخدام نموذج ResNet-50، المدرب مسبقاً على مجموعة بيانات ImageNet، وتم ضبطه بدقة (Fine-tuning) على مجموعة التدريب. استُخرجت الميزات العميقة من طبقة التجميع المتوسط العالمي (2,048 بُعداً)، وتم تقليلها إلى 150 مكوناً رئيساً عبر تحليل المكونات الرئيسية (PCA).

2. اختيار الميزات وبناء النموذج:

• الاختيار: تم فحص الميزات باستخدام اختبارات t أحادية المتغير، وتحليل الارتباط (عتبة 0.9)، وانحدار LASSO لاستبعاد الميزات الزائدة واختيار المجموعة الأكثر قدرة على التنبؤ.
• الدمج متعدد الوسائط: تم إنشاء مجموعة ميزات "DLR" (التعلم العميق والنمذجة الإشعاعية) عبر الدمج المبكر.
• الخوارزميات: تم اختبار ثماني خوارزميات للتعلم الآلي (الانحدار اللوجستي، SVM، KNN، الغابة العشوائية، الأشجار الإضافية، XGBoost، LightGBM، MLP). تم اختيار XGBoost كأفضل مصنف بناءً على الأداء.
• النماذج المبنية: تم بناء أربعة نماذج متميزة: النموذج السريري فقط، نموذج النمذجة الإشعاعية فقط، نموذج DLR فقط، ونموذج الدمج متعدد الوسائط (السريري + النمذجة الإشعاعية + DLR).
• التقييم: تم تقييم الأداء باستخدام المساحة تحت المنحنى (AUC)، ومنحنيات المعايرة، وتحليل منحنى القرار (DCA) في كل من مجموعتي التدريب والتحقق المستقلة.

النتائج الرئيسية

• المتنبئات المستقلة: حدد الانحدار اللوجستي متعدد المتغيرات أربعة عوامل سريرية مستقلة للارتداد الشرس: الألبومين (OR=0.927)، درجة FIB-4 (OR=0.524)، قطر الوريد البابي (OR=1.173)، وإصابة فص الكبد S2 (OR=0.071).
• أداء التدريب: حقق نموذج الدمج متعدد الوسائط قدرة تمييزية استثنائية في مجموعة التدريب بمساحة تحت المنحنى بلغت 0.996 (95% CI: 0.992–1.000). كما حقق نموذج DLR أداءً مثالياً تقريباً (AUC 0.994).
• أداء التحقق: انخفض الأداء بشكل كبير في مجموعة التحقق المستقلة عبر جميع النماذج، مما يشير إلى إفراط شديد في التخصيص (Overfitting). حقق نموذج الدمج متعدد الوسائط مساحة تحت المنحنى بلغت 0.567 فقط (95% CI: 0.468–0.667). وانخفض نموذج DLR إلى 0.564، والنموذج السريري إلى 0.436.
• المنفعة السريرية: أظهر تحليل منحنى القرار (DCA) أنه في مجموعة التحقق، لم تتجاوز المنفعة الصافية لنموذج الدمج متعدد الوسائط استراتيجيات "علاج الجميع" أو "علاج لا أحد" عند أي عتبة احتمالية.

الأهمية والادعاءات
يدعي البحث أنه الأول الذي يدمج بشكل منهجي الميزات العميقة القائمة على التعلم بنقل الخبرة، والنمذجة الإشعاعية التقليدية، والمتغيرات السريرية للتنبؤ بارتداد سرطان الخلايا الكبدية الشرس.

• الجدوى النظرية: تُظهر الدراسة أن دمج المعلومات غير المتجانسة من مصادر متعددة هو أمر ممكن نظرياً، حيث أظهر النموذج المدمج أداءً متفوقاً في مجموعة التدريب مقارنة بالنماذج أحادية الوسائط، مما يشير إلى أن ميزات التعلم العميق تلتقط معلومات تكميلية تتعلق بعدم تجانس الورم.
• التحذير السريري: من المهم ملاحظة أن المؤلفين صرحوا صراحة بأن النموذج غير مناسب حالياً لاتخاذ القرارات السريرية. إن الفجوة الكبيرة بين مساحات AUC في التدريب والتحقق، إلى جانب غياب المنفعة السريرية الصافية في تحليل DCA، يؤكد أن النموذج يعاني من الإفراط في التخصيص بسبب معضلة "الميزات عالية الأبعاد – العينات المحدودة – النماذج المعقدة".
• الاتجاه المستقبلي: يؤكد المؤلفون أن القيمة الأساسية لهذا العمل تكمن في توفير مرجع منهجي لاستراتيجيات دمج الوسائط المتعددة. وخلصوا إلى أن هناك حاجة لدراسات مستقبلية واسعة النطاق ومتعددة المراكز ذات أحجام عينات أكبر للتحقق من النموذج وتحسينه قبل أن يمكن تطبيقه في تخطيط العلاج المحيط بالجراحة لكل حالة على حدة.

باختثناء، بينما نجحت الدراسة في بناء نموذج عالي الأداء في سياق استعادي، إلا أنها خلصت بتواضع إلى أن قابليتها للتعميم محدودة، وأنها تعمل في المقام الأول كإثبات للمفهوم لدمج التعلم العميق مع النمذجة الإشعاعية في مجموعات البيانات الطبية ذات العينات الصغيرة، بدلاً من كونها أداة جاهزة للاستخدام السريري.