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

Resumo Técnico: Modelo de Aprendizado de Máquina Integrando Características Clínicas, Radiômica de TC e Transfer Learning para Predição de Recorrência Agressiva de Carcinoma Hepatocelular

Definição do Problema
O carcinoma hepatocelular (CHC) continua sendo uma das principais causas de mortalidade relacionada ao câncer, com as taxas de recorrência pós-hepatectomia curativa atingindo 60–70%. Um desafio clínico crítico é a predição da "recorrência agressiva", definida como a primeira recorrência que excede os critérios de Milão (ex: grande carga tumoral, invasão vascular ou metástase extrahepática). A avaliação de risco atual baseia-se fortemente em características patológicas pós-operatórias (ex: invasão microvascular) ou marcadores séricos como o AFP, que carecem de sensibilidade para a tomada de decisão pré-operatória. Embora a radiômica ofereça uma alternativa não invasiva, as características tradicionais manuais (handcrafted) frequentemente falham em capturar padrões espaciais complexos de agressividade tumoral e são propensas ao sobreajuste (overfitting) em conjuntos de dados pequenos. Além disso, modelos de aprendizado profundo (deep learning) tipicamente requerem grandes conjuntos de dados anotados, que são escassos em imagens médicas. Este estudo aborda a necessidade de um modelo de predição pré-operatório e não invasivo que integre dados clínicos, radiômica convencional e características de aprendizado profundo para identificar pacientes de alto risco para estratégias perioperatórias individualizadas.

Metodologia
O estudo empregou um desenho retrospectivo envolvendo 455 pacientes com CHC que foram submetidos à hepatectomia curativa no Primeiro Hospital Afiliado da Universidade Médica de Guangxi (2013–2020). A coorte foi dividida em um grupo de treinamento (n=318) e um grupo de validação (n=137) na proporção de 7:3.

1. Aquisição e Pré-processamento de Dados:

   • Dados Clínicos: As variáveis pré-operatórias incluíram dados demográficos, testes laboratoriais (ex: albumina, AFP, FIB-4) e medições de imagem (ex: diâmetro da veia porta).
   • Imagem: Foram utilizadas imagens de TC de fase venosa portal com contraste pré-operatório. As Regiões de Interesse (ROIs) foram segmentadas manualmente usando o ITK-SNAP por dois médicos seniores.
   • Radiômica: Utilizando o PyRadiomics, 1.561 características manuais foram extraídas, abrangendo estatísticas de primeira ordem, matrizes de textura (GLCM, GLRLM, GLSZM, NGTDM, GLDM) e características de forma. As características passaram por normalização Z-score.
   • Aprendizado Profundo (Transfer Learning): Um modelo ResNet-50, pré-treinado no ImageNet, foi ajustado (fine-tuned) no conjunto de treinamento. As características profundas foram extraídas da camada de global average pooling (2.048 dimensões) e reduzidas para 150 componentes principais via PCA (Análise de Componentes Principais).

2. Seleção de Características e Construção do Modelo:

   • Seleção: As características foram triadas usando testes t univariados, análise de correlação (limiar 0,9) e regressão LASSO para eliminar redundâncias e selecionar o subconjset mais preditivo.
   • Fusão Multimodal: Um conjunto de características "DLR" (Aprendizado Profundo e Radiômica) foi criado via fusão precoce (early fusion).
   • Algoritmos: Oito algoritmos de aprendizado de máquina (Regressão Logística, SVM, KNN, Random Forest, Extra Trees, XGBoost, LightGBM, MLP) foram testados. O XGBoost foi selecionado como o classificador ideal com base no desempenho.
   • Modelos Construídos: Quatro modelos distintos foram construídos: apenas Clínico, apenas Radiômica, apenas DLR e um modelo de Fusão Multimodal (Clínico + Radiômica + DLR).
   • Avaliação: O desempenho foi avaliado usando a Área Sob a Curva (AUC), curvas de calibração e Análise de Curva de Decisão (DCA) tanto no grupo de treinamento quanto no grupo de validação independente.

Resultos Principais

• Preditores Independentes: A regressão logística multivariada identificou quatro fatores clínicos independentes para recorrência agressiva: Albumina (OR=0,927), escore FIB-4 (OR=0,524), Diâmetro da Veia Porta (OR=1,173) e envolvimento do segmento hepático S2 (OR=0,071).
• Desempenho no Treinamento: O modelo de Fusão Multimodal alcançou uma capacidade discriminativa excepcional no grupo de treinamento com um AUC de 0,996 (95% CI: 0,992–1,000). O modelo DLR também apresentou desempenho quase perfeito (AUC 0,994).
• Desempenho na Validação: No grupo de validação independente, o desempenho caiu significativamente em todos os modelos, indicando um sobreajuste (overfitting) severo. O modelo de Fusão Multimodal alcançou um AUC de apenas 0,567 (95% CI: 0,468–0,667). O DLR caiu para 0,564, e o modelo Clínico para 0,336.
• Utilidade Clínica: A Análise de Curva de Decisão (DCA) revelou que, no grupo de validação, o benefício líquido do modelo de Fusão Multimodal não excedeu as estratégias de "tratar todos" ou "não tratar ninguém" em qualquer limiar de probabilidade.

Significância e Alegações
O artigo afirma ser o primeiro a integrar sistematicamente características de aprendizado profundo baseadas em transfer learning, radiômica convencional e variáveis clínicas para a predição de recorrência agressiva de CHC.

• Viabilidade Teórica: O estudo demonstra que a fusão de informações heterogêneas de múltiplas fontes é teoricamente viável, pois o modelo combinado mostrou desempenho de treinamento superior aos modelos de modalidade única, sugerindo que as características de aprendizado profundo capturam informações complementares sobre a heterogeneidade tumoral.
• Cautela Clínica: Crucialmente, os autores afirmam explicitamente que o modelo é atualmente inadequado para a tomada de decisão clínica. A lacuna significativa entre as AUCs de treinamento e validação, juntamente com a falta de benefício clínico líquido na DCA, confirma que o modelo sofre de overfitting devido ao dilema "características de alta dimensão – amostras limitadas – modelos complexos".
• Direção Futente: Os autores enfatizam que o valor primário deste trabalho reside em fornecer uma referência metodológica para estratégias de fusão multimodal. Eles concluem que estudos prospectivos multicêntricos de larga escala, com amostras maiores, são necessários para validar e otimizar o modelo antes que ele possa ser aplicado ao planejamento de tratamento perioperatório individualizado.

Em resumo, embora o estudo tenha construído com sucesso um modelo de alto desempenho em um cenário retrospectivo, conclui modestamente que sua generalizabilidade é limitada, servindo principalmente como uma prova de conceito para a integração de aprendizado profundo com radiômica em conjuntos de dados médicos de amostra pequena, em vez de uma ferramenta clínica pronta para uso.