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

Technische Samenvatting: Machine Learning-model dat klinische kenmerken, CT-radiomics en transfer learning integreert voor de voorspelling van agressieve recidive bij hepatocellulair carcinoom

Probleemstelling
Hepatocellulair carcinoom (HCC) blijft een leidende oorzaak van kankergerelateerde mortaliteit, waarbij de recidivecijsten na curatieve hepatectomie oplopen tot 60–70%. Een kritieke klinische uitdaging is de voorspelling van "agressieve recidive", gedefinieerd als de eerste recidive die de Milan-criteria overschrijdt (bijv. grote tumorlast, vasculaire invasie of extrahepatische metastase). De huidige risicobeoordeling leunt zwaar op postoperatieve pathologische kenmerken (bijv. microvasculaire invasie) of serummarkers zoals AFP, die een gebrek aan sensitiviteit vertonen voor preoperatieve besluitvorming. Hoewel radiomics een niet-invasief alternatief biedt, hebben traditionele handmatige kenmerken (handcrafted features) vaak moeite om complexe ruimtelijke patronen van tumoragressiviteit te vangen en zijn ze gevoelig voor overfitting in kleine datasets. Bovendien vereisen deep learning-modellen doorgaans grote geannoteerde datasets, die schaars zijn in de medische beeldvorming. Deze studie adresseert de behoefte aan een preoperatief, niet-invasief voorspellingsmodel dat klinische data, conventionele radiomics en deep learning-kenmerken integreert om hoogrisicopatiënten te identificeren voor geïndividualiseerde perioperatieve strategieën.

Methodologie
De studie maakte gebruik van een retrospectief ontwerp met 455 patiënten met HCC die een curatieve hepatectomie ondergingen aan het First Affiliated Hospital of Guangxi Medical University (2013–2020). De cohort werd gesplitst in een trainingsgroep (n=318) en een validatiegroep (n=137) met een ratio van 7:3.

1. Data-acquisitie en Preprocessing:

   • Klinische Data: Preoperatieve variabelen omvatten demografie, laboratoriumtesten (bijv. albumine, AFP, FIB-4) en beeldvormingsmetingen (bijv. diameter van de poortader).
   • Beeldvorming: Preoperatieve CT-beelden van de portale veneuze fase met contrastmiddel werden gebruikt. Regions of Interest (ROIs) werden handmatig gesegmenteerd met behulp van ITK-SNAP door twee ervaren artsen.
   • Radiomics: Met behulp van PyRadiomics werden 1.561 handmatige kenmerken geëxtraheerd, variërend van first-order statistieken en textuurmatrices (GLCM, GLRLM, GLSZM, NGTDM, GLDM) tot vormkenmerken. Kenmerken ondergingen Z-score normalisatie.
   • Deep Learning (Transfer Learning): Een ResNet-50 model, vooraf getraind op ImageNet, werd gefinetuned op de trainingsset. Deep learning-kenmerken werden geëxtraheerd uit de global average pooling layer (2.048 dimensies) en gereduceerd naar 150 hoofdcomponenten via Principal Component Analysis (PCA).

2. Kenmerkselectie en Modelconstructie:

   • Selectie: Kenmerken werden gescreend met behulp van univariate t-tests, correlatieanalyse (drempelwaarde 0,9) en Least Absolute Shrinkage and Selection Operator (LASSO) regressie om redundantie te elimineren en de meest voorspellende subset te selecteren.
   • Multimodale Fusie: Een "DLR" (Deep Learning en Radiomics) kenmerkenset werd gecreëerd via vroege fusie (early fusion).
   • Algoritmen: Acht machine learning-algoritmen (Logistische Regressie, SVM, KNN, Random Forest, Extra Trees, XGBoost, LightGBM, MLP) werden getest. XGBoost werd geselecteerd als de optimale classifier op basis van prestaties.
   • Modellen Gebouwd: Vier verschillende modellen werden geconstrueerd: alleen Klinisch, alleen Radiomics, alleen DLR, en een Multimodaal Fusiemodel (Klinisch + Radiomics + DLR).
   • Evaluatie: Prestaties werden beoordeeld aan de hand van de Area Under the Curve (AUC), kalibratiecurves en Decision Curve Analysis (DCA) in zowel de trainingsgroep als de onafhankelijke validatiegroep.

Belangrijkste Resultaten

• Onafhankelijke Predictoren: Multivariate logistische regressie identificeerde vier onafhankelijke klinische factoren voor agressieve recidive: Albumine (OR=0,927), FIB-4 score (OR=0,524), Diameter Poortader (OR=1,173) en betrokkenheid van leversegment S2 (OR=0,071).
• Prestaties Trainingsgroep: Het Multimodale Fusiemodel bereikte een uitzonderlijk onderscheidend vermogen in de trainingsgroep met een AUC van 0,996 (95% BI: 0,992–1,000). Het DLR-model presteerde ook bijna perfect (AUC 0,994).
• Prestaties Validatiegroep: De prestaties in de onafhankelijke validatiegroep daalden aanzienlijk over alle modellen heen, wat wijst op ernstige overfitting. Het Multimodale Fusiemodel bereikte een AUC van slechts 0,567 (95% BI: 0,468–0,667). Het DLR-model daalde naar 0,564, en het Klinische model naar 0,436.
• Klinische Bruikbaarheid: Decision Curve Analysis (DCA) toonde aan dat in de validatiegroep het netto voordeel van het Multimodale Fusiemodel de "behandel iedereen" of "behandel niemand" strategieën niet overtrof bij enig drempelwaarde-waarschijnlijkheid.

Betekenis en Claims
Het artikel claimt de eerste te zijn die transfer learning-gebaseerde deep features, conventionele radiomics en klinische variabelen systematisch integreert voor de voorspelling van agressieve HCC-recidive.

• Theoretische Haalbaarheid: De studie toont aan dat de fusie van multi-source heterogene informatie theoretisch haalbaar is, aangezien het gecombineerde model een superieur trainingsvermogen vertoonde vergeleken met single-modality modellen, wat suggereert dat deep learning-kenmerken complementaire informatie over tumorheterogeniteit vastleggen.
• Klinische Voorzichtigheid: Cruciaal is dat de auteurs expliciet vermelden dat het model momenteel ongeschikt is voor klinische besluitvorming. De significante kloof tussen de trainings- en validatie-AUC's, samen met het gebrek aan netto klinisch voordeel in de DCA, bevestigt dat het model lijdt onder overfitting door het dilemma van "hoog-dimensionale kenmerken – beperkte monsters – complexe modellen".
• Toekomstige Richting: De auteurs benadrukken dat de primaire waarde van dit werk ligt in het bieden van een methodologische referentie voor multimodale fusiestrategieën. Zij concluderen dat grootschalige, multicentrische, prospectieve studies met grotere steekproeven vereist zijn om het model te valideren en te optimaliseren voordat het kan worden toegepast op geïndividualiseerde perioperatieve behandelplanning.

Samenvattend, hoewel de studie erin slaagt een hoogpresterend model te construeren in een retrospectieve setting, concludeert zij bescheiden dat de generaliseerbaarheid beperkt is en dat het primair dient als een proof-of-concept voor de integratie van deep learning met radiomics in kleine medische datasets, in plaats van een direct inzetbare klinische tool.