Multimodal Machine Learning Model Integrating Preoperative Contrast-Enhanced CT Radiomics and Clinicopathological Features for Predicting Early Extrahepatic Recurrence After Hepatectomy of Hepatocellular Carcinoma

Resumen Técnico: Modelo de Aprendizaje Automático Multimodal para la Predicción de la Recurrencia Extrahepática Temprana en el HCC

Planteamiento del Problema
El carcinoma hepatocelular (CHC) sigue siendo una de las principales causas de mortalidad relacionada con el cáncer a nivel mundial. Si bien la resección quirúrgica es el tratamiento preferido para la enfermedad en etapa temprana, las tasas de recurrencia postoperatoria son elevadas (50–70% dentro de los 5 años). Un subconjunto de recurrencia particularmente agresivo es la recurrencia extrahepática temprana (REET), definida como la metástasis en sitios extrahepáticos (p. ej., pulmón, hueso, ganglios linfáticos) dentro de los 24 meses posteriores a la cirugía. La REET se asocia con un pronóstico significativamente desfavorable (supervivencia media <8.8 meses) y una respuesta limitada a las terapias locales. Los modelos de predicción clínica actuales se basan principalmente en características clinicopatológicas macroscópicas (p. ej., tamaño del tumor, niveles de AFP, grado histológico), las cuales no logran capturar la heterogeneidad espacial y el comportamiento biológico invasivo subyacente del tumor. Existe una falta de marcos multimodales precisos que integren datos radiómicos con factores clínicos para predecir el riesgo de REET, lo que dificulta la implementación de la vigilancia postoperatoria individualizada y las terapias adyuvantes.

Metodología
Este estudio retrospectivo incluyó a 208 pacientes con CHC que se sometieron a hepatectomía entre 2018 y 2023 en dos centros: el Hospital Afiliado de la Universidad Médica del Suroeste (entrenamiento y validación interna) y el Hospital de la Gente de Leshan (validación externa).

• Adquisición de Datos:

  • Imagenología: Las tomografías computarizadas (TC) preoperatorias con contraste realzado (fases arterial y venosa portal) fueron procesadas mediante 3D Slicer. Se delinearon manualmente las regiones de interés (ROI) para el tumor, la región peritumoral (expandida 10 mm) y el parénquima hepático.
  • Radiómica: Utilizando PyRadiomics, se extrajeron 5,184 características de seis volúmenes distintos (hígado, tumor y regiones peritumorales tanto en fase arterial como en fase portal), cubriendo forma, estadísticas de primer orden y matrices de textura (GLCM, GLDM, GLRLM, GLSZM, NGTDM).
  • Datos Clinicopatológicos: Se recopilaron 124 variables, incluyendo demografía, marcadores de laboratorio (AFP, PIVKA-II, función hepática), hallazgos de imagen y características patológicas (diferenciación, estado del margen, nódulos satélites).

• Selección de Características y Construcción del Modelo:

  • Se empleó una estrategia de cribado de múltiples pasos dentro de un marco de validación cruzada anidada de 5 pliegues para evitar la fuga de datos.
  • Características Clínicas: Filtradas mediante regresión logística binaria ($P < 0.05$) seguida de regresión LASSO.
  • Características Radiómicas: Filtradas por reproducibilidad (Coeficiente de Correlación Intraclasse > 0.8), luego seleccionadas mediante regresión logística y LASSO.
  • Algoritmos: Se construyeron tres modelos de aprendizaje automático: Random Forest (RF), XGBoost y Regresión Logística (LR). Estos fueron entrenados con conjuntos de características únicamente radiómicas, únicamente clínicas y fusionados (multimodales).

• Evaluación:

  • El rendimiento se evaluó mediante el Área Bajo la Curva (AUC), precisión, sensibilidad, especificidad y puntuación F1.
  • Las comparaciones de modelos utilizaron la prueba de DeLong.
  • La utilidad clínica se evaluó mediante curvas de calibración y Análisis de Curva de Decisión (DCA).
  • Se realizó un análisis de supervivencia (Kaplan-Meier) para validar las capacidades de estratificación de riesgo.

Contribuciones Clave

1. Integración Multimodal: El estudio desarrolló con éxito un modelo de predicción que fusiona características radiómicas de TC preoperatoria con factores de riesgo clinicopatológicos clave, abordando las limitaciones de los modelos de una sola dimensión.
2. Enfoque en un Punto Final Específico: A diferencia de los estudios centrados en la recurrencia general, este modelo se dirige específicamente a la recurrencia extrahepática temprana (REET) dentro de los 2 años, un intervalo pronóstico crítico.
3. Validación Robusta: El modelo fue sometido a una rigurosa validación interna y a una validación externa independiente en dos centros médicos distintos, demostrando generalizabilidad.
4. Sistema de Estratificación de Riesgo: El estudio estableció un umbral clínicamente operable para estratificar a los pacientes en grupos de alto y bajo riesgo, vinculando directamente el resultado del modelo con los resultados de supervivencia.

Resultados

• Características de la Cohorte: Entre los 208 pacientes, 55 (26.4%) experimentaron REET. Los sitios metastásicos más comunes fueron el pulmón (47.3%), ganglios linfáticos (21.8%) y hueso (18.2%).
• Selección de Características:
  • Se identificaron tres predictores clinicopatológicos independientes: exceder los criterios de Milán, margen quirúrgico positivo y presencia de nódulos satélites.
  • Se retuvieron cuatro características radiómicas clave, que representan la morfología, la textura y la heterogeneidad del tumor.
• Rendimiento del Modelo:
  • El modelo de Random Forest (RF) utilizando el conjunto de características fusionadas demostró un rendimiento superior en comparación con XGBoost y LR.
  • Conjunto de Entrenamiento: AUC de 0.852.
  • Conjunto de Validación Externa: AUC de 0.836 con una precisión de 0.875.
  • El modelo fusionado superó significativamente a los modelos de una sola modalidad (solo radiómica o solo clínica) en la validación externa (prueba de DeLong, $P < 0.05$).
• Análisis de Supervivencia:
  • Los pacientes con REET tuvieron una supervivencia global (SG) media de 22.7 meses en comparación con 63.2 meses para los pacientes sin recurrencia.
  • Utilizando el corte óptimo del modelo (0.36), los pacientes fueron estratificados en grupos de alto y bajo riesgo. Los pacientes de alto riesgo mostraron una SG media significativamente más corta (23.9 meses frente a 61.1 meses en la cohorte de entrenamiento; 21.4 meses frente a 59.3 meses en la cohorte externa) y una supervivencia libre de recurrencia extrahepática (SLREE) más corta.

Significancia y Reivindicaciones
Los autores afirman que el modelo multimodal de RF desarrollado proporciona una base objetiva para la predicción precisa del riesgo de REET tras la hepatectomía por CHC. Al identificar con precisión a los pacientes de alto riesgo, el modelo facilita:

• Vigilancia Intensificada: Permitiendo intervalos más cortos para TC/RM o la inclusión de PET-CT para la detección temprana de metástasis.
• Terapia Adyuvante Personalizada: Apoyando la decisión de iniciar terapias sistémicas (terapias dirigidas o inmunoterapia) tempranamente para los grupos de alto riesgo para potencialmente retrasar o prevenir la metástasis.
• Optimización de Recursos: Evitando el cribado excesivo en pacientes de bajo riesgo.

El estudio concluye que la integración de la radiómica con los datos clinicopatológicos supera las limitaciones de las evaluaciones tradicionales, ofreciendo una herramienta para el manejo postoperatorio individualizado. Los autores reconocen las limitaciones, incluyendo la naturaleza retrospectiva del estudio y el tamaño de muestra relativamente pequeño de los casos positivos de REET, señalando que son necesarios futuros estudios prospectivos multicéntricos y la integración con datos multi-ómicos para validar y refinar aún más el modelo.