En djupinlärningsbaserad radiopatonomisk signatur förutsäger återfallsrisk vid hepatocellulärt carcinom efter hepatektomi

Varför detta är viktigt för personer med levercancer

Levercancer är en av de dödligaste cancerformerna globalt, och även när kirurger tar bort den synliga tumören återkommer sjukdomen ofta inom bara några år. Denna studie presenterar ett verktyg baserat på artificiell intelligens som kombinerar medicinska skanningar och mikroskopbilder av tumörer för att bättre förutsäga vem som sannolikt får ett återfall av hepatocellulärt carcinom, den vanligaste formen av levercancer. Sådana prognoser kan hjälpa läkare att skräddarsy uppföljning och tilläggsbehandlingar, med målet att förebygga återfall och förlänga patienters liv.

Att se hela tumören, på insidan och utsidan

Läkare förlitar sig vanligtvis på CT-skanningar, blodprover och grundläggande patologirapporter för att uppskatta återfallsrisken efter leverkirurgi. Var och en av dessa verktyg betraktar tumören ur olika perspektiv, men ingen fångar dess fulla komplexitet. CT-bilder visar tumörens övergripande form, blodförsörjning och relation till levern, medan mikroskopiska preparat avslöjar hur aggressiva cancercellerna ser ut och hur de samspelar med omgivande vävnad. Forskarna antog att ett datasystem som ”ser” båda nivåerna tillsammans — organskaliga skanningar och cellnivåbilder — kan känna igen mönster som människor missar och därigenom mer exakt förutsäga om cancern kommer att återkomma.

Ett kombinerat digitalt fingeravtryck av tumören

Teamet utvecklade vad de kallar en deep learning radiopathomic (DLRP)-signatur, i praktiken ett digitalt fingeravtryck av varje patients tumör byggt från två datakällor. Först ritade ett neuralt nätverk automatiskt ut tumörer på preoperativa CT-skanningar och lärde sig subtila bildegenskaper kopplade till återfall. För det andra analyserade ett annat nätverk helbildsbildmaterial från rutinmässigt hematoxylin- och eosinfärgade preparat, delade upp dem i tusentals små patchar och lärde sig vilka mikroskopiska mönster som var viktigast. En sammanslagningsmodul vävde sedan ihop CT-egenskaperna och patologiegenskaperna till en enda riskscore som speglar tumörens beteende snarare än någon enskild synlig egenskap.

Testning av scoren på verkliga patienter

Forskarna tillämpade systemet på 599 personer som opererats för hepatocellulärt carcinom vid fyra sjukhus och delade in dem i tränings- och oberoende testgrupper. I samtliga testserier förutsåg DLRP-signaturen återfallsfri överlevnad bättre än modeller som enbart använde CT, enbart patologi, standardkliniska variabler såsom tumörstorlek och blodmarkörer, eller den allmänt använda Barcelona Clinic Liver Cancer-stadieindelningen. Patienter med höga DLRP-poäng hade en markant större sannolikhet för återfall och även kortare total överlevnad. Viktigt är att detta gällde över många subgrupper, inklusive små kontra stora tumörer, enkla kontra multipla tumörer och med eller utan cirros, vilket tyder på att scoren fångar kärnaspekter av tumöraggressivitet.

Vägledande för tilläggsbehandling och avslöjande av biologi

Utöver prognostik hjälpte scoren till att identifiera vilka patienter som kan ha nytta av en extra procedur kallad postoperativ adjuvant transarteriell kemoembolisation (PA-TACE), där kemoterapi blandad med en oljig kontrastsubstans injiceras i leverns blodförsörjning. I den sammanslagna patientgruppen tenderade de som fick PA-TACE att förbli fria från återfall längre. Men när gruppen delades enligt DLRP-signaturen koncentrerades nyttan nästan uteslutande till högRiskpatienterna; lågriskpatienterna såg ingen tydlig fördel, vilket antyder att de tryggt kan undvika bördan av extra behandling. Teamet undersökte också varför högrisktumörer beter sig sämre genom att koppla DLRP-poängen till genetiska data från The Cancer Genome Atlas. Höga poäng associerades med aktivering av Wnt/β‑catenin‑vägen, känd för att driva tumörtillväxt och resistens mot immunterapi, samt med färre cancerbekämpande immunceller, särskilt CD8 T‑celler, som infiltrerar tumören.

Vad detta betyder för framtida vård vid levercancer

För en lekmann är slutsatsen att datorer nu kan kombinera röntgenliknande bilder och mikroskopiska vyer för att ge ett enda tal som säger hur sannolikt det är att en levercancer återkommer efter operation. Denna studie visar att ett sådant tal kan överträffa traditionella stadieindelningar och kan hjälpa avgöra vem som verkligen behöver extra behandling och tätare uppföljning. Även om verktyget fortfarande behöver prospektiv prövning i bredare patientpopulationer, inklusive de vars leversjukdom inte orsakats av hepatit B, pekar det mot en framtid där behandlingsplaner formas av rika, mångskiktade porträtt av varje patients tumör snarare än enbart storlek och stadium.

Citering: Wang, G., Chen, W., Liang, Z. et al. A deep learning radiopathomic signature predicts recurrence risk of hepatocellular carcinoma after hepatectomy. Commun Biol 9, 295 (2026). https://doi.org/10.1038/s42003-026-09571-5

Nyckelord: hepatocellulärt carcinom, återfall av levercancer, djuplärande, medicinsk bildbehandling, tumörmikromiljö