Nhấn mạnh
Nghiên cứu này cho thấy rằng các mô hình học máy dựa trên hình ảnh học được trích xuất từ hình ảnh CT trước điều trị, kết hợp với dữ liệu lâm sàng, vượt trội hơn các chỉ số sinh học lâm sàng đã được thiết lập như giai đoạn BCLC và cấp độ ALBI trong việc dự đoán sự sống còn và đáp ứng đối với liệu pháp miễn dịch atezolizumab cộng bevacizumab ở bệnh nhân ung thư tế bào gan (HCC). Mô hình tích hợp này đã phân loại chính xác bệnh nhân thành nhóm nguy cơ cao và thấp với sự khác biệt đáng kể về thời gian sống còn tổng thể (OS), thời gian sống không tiến triển (PFS) và tỷ lệ đáp ứng với chất ức chế điểm kiểm tra miễn dịch, được xác nhận qua các nhóm độc lập quốc tế.
Nền tảng nghiên cứu và gánh nặng bệnh lý
Ung thư tế bào gan (HCC) là một trong những nguyên nhân hàng đầu gây tử vong liên quan đến ung thư trên toàn thế giới, thường được chẩn đoán ở giai đoạn tiến triển, làm hạn chế các lựa chọn điều trị triệt để. Atezolizumab cộng bevacizumab (A/B) đã nổi lên như một phác đồ liệu pháp miễn dịch đầu tiên cho HCC không thể cắt bỏ, cải thiện kết quả lâm sàng so với các tiêu chuẩn trước đây. Tuy nhiên, chỉ có một thiểu số bệnh nhân phản ứng tốt với sự kết hợp này, làm nổi bật nhu cầu cấp bách về các chỉ số dự đoán và tiên lượng mạnh mẽ để hướng dẫn quyết định điều trị cá nhân hóa. Các chỉ số sinh học lâm sàng hiện tại, bao gồm giai đoạn BCLC và cấp độ ALBI, có độ chính xác dự đoán hạn chế đối với đáp ứng liệu pháp miễn dịch và kết quả sống còn trong bối cảnh này. Hình ảnh học — việc trích xuất đặc trưng định lượng từ hình ảnh với tốc độ cao — kết hợp với các kỹ thuật học máy tiên tiến, cung cấp một cách tiếp cận đầy hứa hẹn để bắt giữ tính đa dạng của khối u và các yếu tố chủ nhà từ hình ảnh thường xuyên, có thể cải thiện dự đoán kết quả mà không cần thêm các thủ tục xâm lấn.
Thiết kế nghiên cứu
Nghiên cứu hồi cứu đa trung tâm này bao gồm 152 bệnh nhân HCC không thể cắt bỏ được điều trị bằng atezolizumab cộng bevacizumab tại hai tổ chức quốc tế: Imperial College London (ICL) và Assistance Publique-Hôpitaux de Paris (AP-HP). Hình ảnh CT trước điều trị được sử dụng để phân tích. Các mô hình học sâu được sử dụng để phân đoạn tự động toàn bộ gan, cho phép trích xuất đặc trưng hình ảnh học chuẩn. Các đặc trưng hình ảnh học này được kết hợp với các biến lâm sàng để phát triển các mô hình dự đoán cho tỷ lệ tử vong sau 12 tháng kể từ khi bắt đầu liệu pháp miễn dịch.
Nhiều thuật toán học máy (bảy thuật toán) được đánh giá cùng với mười ba phương pháp chọn đặc trưng để xác định các mô hình dự đoán tối ưu trong nhóm huấn luyện ICL. Phân cụm K-means phân loại bệnh nhân thành nhóm nguy cơ cao và thấp. Hiệu suất của mô hình sau đó được xác nhận độc lập trong nhóm AP-HP. Điểm cuối chính bao gồm sự sống còn tổng thể (OS), thời gian sống không tiến triển (PFS) và tỷ lệ đáp ứng với chất ức chế điểm kiểm tra miễn dịch.
Kết quả chính
Mô hình tích hợp hình ảnh học-lâm sàng vượt trội đáng kể hơn so với các chỉ số sinh học lâm sàng thông thường. Trong nhóm huấn luyện ICL, mô hình đạt diện tích dưới đường cong đặc trưng hoạt động của bộ nhận dạng (AUC) là 0.89 (95% CI 0.75–0.99), so với 0.61 cho giai đoạn BCLC và 0.48 cho cấp độ ALBI (cả hai p < 0.001). Việc xác nhận trong nhóm AP-HP độc lập xác nhận khả năng dự đoán mạnh mẽ với AUC là 0.75 (95% CI 0.64–0.85).
Nhóm nguy cơ cao được phân loại bởi mô hình có thời gian sống còn trung bình ngắn hơn đáng kể so với nhóm nguy cơ thấp trong cả hai nhóm (ICL: 5.6 so với 28.2 tháng, AP-HP: 5.8 so với 15.7 tháng, p < 0.001). Tương tự, thời gian sống không tiến triển cũng giảm ở bệnh nhân nguy cơ cao (ICL: 2.4 so với 14.6 tháng, p < 0.001; AP-HP: 2.1 so với 6.1 tháng, p = 0.046). Hơn nữa, bệnh nhân nguy cơ thấp có tỷ lệ đáp ứng chất ức chế điểm kiểm tra miễn dịch cao hơn đáng kể so với bệnh nhân nguy cơ cao (35.6% so với 21.4%; p = 0.038).
Phân tích hồi quy Cox đa biến xác định nhóm nguy cơ hình ảnh học là dự đoán độc lập mạnh nhất về OS (tỷ lệ nguy cơ [HR] 3.22, 95% CI 1.99–5.20, p < 0.001) và PFS (HR 1.82, 95% CI 1.18–2.80, p = 0.010), nhấn mạnh giá trị tiên lượng của nó vượt quá các chỉ số lâm sàng truyền thống.
Bình luận chuyên gia
Nghiên cứu này đại diện cho một bước tiến đáng kể trong y học chính xác cho HCC bằng cách tích hợp phân tích hình ảnh tiên tiến với học máy để giải quyết một nhu cầu chưa được đáp ứng quan trọng: dự đoán chính xác kết quả của bệnh nhân sau liệu pháp miễn dịch. Việc sử dụng học sâu để phân đoạn gan tự động chuẩn hóa việc trích xuất hình ảnh học, giảm thiểu sự biến thiên phụ thuộc vào người dùng và tăng cường khả năng tái tạo của mô hình. Việc xác nhận đa tổ chức tăng cường tính tổng quát của các kết quả.
Tuy nhiên, một số hạn chế cần cân nhắc. Thiết kế hồi cứu có thể đưa ra các thiên lệ, và mặc dù kích thước mẫu là hợp lý, các nghiên cứu triển vọng lớn hơn là cần thiết để xác định chắc chắn tính hữu ích lâm sàng. Ngoài ra, các nghiên cứu trong tương lai có thể khám phá việc tích hợp các chỉ số sinh học gen và dựa trên máu cùng với hình ảnh học để dự đoán chính xác hơn. Dù có những lưu ý này, cách tiếp cận này minh họa cách tận dụng dữ liệu hình ảnh lâm sàng thường xuyên có thể cải thiện phân loại rủi ro và hướng dẫn cá nhân hóa điều trị trong HCC tiến triển.
Các hướng dẫn hiện tại chưa tích hợp các chỉ số hình ảnh học, một phần do tính mới và yêu cầu kỹ thuật của các phương pháp này. Tuy nhiên, các kết quả của nghiên cứu này có thể thúc đẩy việc cập nhật hướng dẫn trong tương lai khi bằng chứng tích lũy. Trên mức độ cơ chế, các đặc trưng hình ảnh học có thể bắt giữ tính đa dạng của khối u, đặc điểm mạch máu và các yếu tố môi trường miễn dịch ảnh hưởng đến khả năng đáp ứng liệu pháp miễn dịch.
Kết luận
Các mô hình học máy dựa trên hình ảnh học tích hợp, kết hợp hình ảnh CT trước điều trị và dữ liệu lâm sàng, vượt trội hơn các chỉ số sinh học lâm sàng truyền thống trong việc dự đoán sự sống còn và đáp ứng liệu pháp miễn dịch ở bệnh nhân HCC không thể cắt bỏ đang điều trị bằng atezolizumab cộng bevacizumab. Các công cụ dự đoán này cho phép phân loại rủi ro mạnh mẽ thành các nhóm tiên lượng riêng biệt, hỗ trợ các cách tiếp cận điều trị chính xác và có thể cải thiện kết quả của bệnh nhân. Việc xác nhận triển vọng và tích hợp các chỉ số đa phương thức vẫn là những bước tiếp theo quan trọng để phát triển y học cá nhân hóa trong HCC tiến triển.
Tài liệu tham khảo
Vithayathil M, Koku D, Campani C, Nault JC, Sutter O, Ganne-Carrié N, Aboagye EO, Sharma R. Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunotherapy for hepatocellular carcinoma. J Hepatol. 2025 Oct;83(4):959-970. doi: 10.1016/j.jhep.2025.04.017. Epub 2025 Apr 17. PMID: 40246150.
