Machine Learning Integration of Lymphovascular Space Invasion, Ki-67 Index, and Immunohistochemical Profiles for Preoperative Lymph Node Metastasis Prediction in Endometrial Cancer

ملخص تقني: دمج التعلم الآلي للتنبؤ بانتقال النقائل العقدية الليمفاوية قبل الجراحة في سرطان بطانة الرحم

بيان المشكلة
يُعد سرطان بطانة الرحم (EC) من الأورام الخبيثة النسائية الرائدة. ويُعتبر التنبؤ الدقيق بانتقال النقائل العقدية الليمفاوية (LNM) قبل الجراحة أمراً بالغ الأهمية لاتخاذ القرارات الجراحية الفردية، وتحديداً لتجنب الإفراط في العلاج والمضاعفات المرتبطة به (مثل الوذمة اللمفاوية أو الانسداد المعوي) الناتجة عن استئصال العقد الليمفاوية المنهجي غير الانتقائي للمرضى منخفضي المخاطر. تعتمد نماذج التنبؤ السريرية الحالية غالباً على المؤشرات المرضية بعد الجراحة (مثل درجة الورم أو عمق الغزو) أو البيانات الجينية المعقدة، مما يخلق فجوة جوهرية حيث "توجه المؤشرات بعد الجراحة القرارات قبل الجراحة". علاوة على ذلك، فإن النماذج الحالية غالباً ما تغفل علامات الإنذار الرئيسية مثل Ki-67 أو تفشل في دمج الملفات المصلية والنسيجية المناعية الروتينية المتاحة قبل الجراحة بشكل شامل.

المنهجية
استخدمت هذه الدراسة تصميماً استرجاعياً لتحليل 594 مريضة مصابة بسرطان بطانة الرحم عولجت في مستشفى هاينان العام بين أكتوبر 2019 وأكتوبر 2025.

• جمع البيانات: شملت المتغيرات البيانات السريرية الأساسية، والمؤشرات المصلية قبل الجراحة (AFP، CEA، CA125، CA19-9، CA72-4، إلخ)، والمؤشرات المرضية بعد الجراحة (غزو العضلة الرحمية، LVSI، حجم الورم، إلخ)، والملفات النسيجية المناعية (p53، ER، PR، Ki-67، بروتينات MMR).
• اختيار الميزات: تم استخدام انحدار المربعات الصغرى الجزئي الأقل (LASSO) لفحص المتغيرات ومنع الإفراط في التخصيص (overfitting). حددت هذه العملية سبعة مؤشرات تنبؤية رئيسية.
• بناء النموذج: تم بناء ومقارنة أربع خوارزميات للتعلم الآلي: الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، آلة ناقلات الدعم (SVM)، وXGBoost.
• استراتيجية التحقق: تم تقسيم مجموعة البيانات إلى مجموعة تطوير (ن = 416، 70%) ومجموعة اختبار (ن = 178، 30%). تم تقييم أداء النموذج باستخدام المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC)، والحساسية، والنوعية، ومنحنيات المعايرة، وتحليل منحنى القرار (DCA).
• اختبارات المتانة: أُجريت تحليلات فرعية عبر مختلف الخصائص السريرية. كما أُجري تحليل حساسية من خلال استبعاد حالات طفرة p53 لتقييم استقرار النموذج.

المساهمات الرئيسية

1. التركيز على مرحلة ما قبل الجراحة: طورت الدراسة نموذج تنبؤ يستخدم حصرياً المؤشرات المتاحة قبل الجراحة، مما يعالج قصور النماذج التي تعتمد على بيانات ما بعد الجراحة.
2. التكامل متعدد الوسائط: يدمج النموذج بشكل منهجي المعايير المرضية الروتينية (LVSI)، والعلامات النسيجية المناعية (PR)، والمؤشرات الحيوية المصلية (CA19-9، CA72-4). وبينما تم تقييم Ki-67، لم يتم الاحتفاظ به كمتنبئ مستقل في النموذج متعدد المتغيرات النهائي.
3. المقارنة الخوارزمية: يقدم البحث تحليلاً مقارناً بين النماذج البسيطة (الانحدار اللوجستي) والنماذج المعقدة (RF، XGBoost، SVM)، مما يثبت أن النماذج الأبسط قد توفر تعميماً أفضل في مجموعات البيانات الطبية ذات العينات المحدودة.
4. تقييم الفائدة السريرية: بعيداً عن المقاييس الإحصائية، تستخدم الدراسة تحليل منحنى القرار (DCA) لقياس الفائدة السريرية الصافية، مما يضمن قابلية التطبيق العملي للنموذج في اتخاذ القرار.

النتائج

• المتنبئات: حدد انحدار LASSO سبعة متنبئات مستقلة: CA19-9 قبل الجراحة، CA72-4، غزو العضلة الرحمية ≥1/2، العدد الإجمالي للعقد الليمفاوية المستأصلة، LVSI، تعبير PR، وCA125 قبل الجراحة. ومن الجدير بالذكر أنه بينما كان CEA مهماً في التحليل أحادي المتغير، إلا أنه لم يحتفظ بأهمية تنبؤية مستقلة في التحليل متعدد المتغيرات ولم يكن ضمن المتغيرات السبعة النهائية التي اختارها LASSO.
• أداء النموذج: في مجموعة الاختبار المستقلة، أظهر نموذج الانحدار اللوجستي أداءً فائقاً بمساحة تحت المنحنى (AUC) بلغت 0.863 (95% فاصل ثقة: 0.788–0.938)، وحساسية 0.842، ونوعية 0.761.
  • تفوق هذا الأداء على نموذج الغابة العشوائية (AUC = 0.848)، وXGBoost (AUC = 0.839)، وSVM (AUC = 0.635).
  • كما تجاوز نموذج الانحدار اللوجستي المعايير المرجعية القائمة: نظام ENDORISK (AUC = 0.820) ونظام تصنيف Yang (AUC = 0.845).
• أهمية الميزات: تم تحديد LVSI كأهم ميزة، يليه إجمالي عدد العقد الليمفاوية المستأصلة، ثم تعبير PR، ثم CA19-9 قبل الجراحة.
• المتانة: أكد تحليل المجموعات الفرعية الأداء المتسق (AUC ≥ 0.8) عبر مختلف المجموعات الفرعية لسن اليأس، وLVSI، ومرحلة FIGO. وبعد استبعاد حالات طفرة p53، ظل AUC في مجموعة الاختبار مستقراً عند 0.817.
• الفائدة السريرية: أشار تحليل منحنى القرار إلى أن النموذج يوفر فائدة سريرية صافية كبيرة مقارنة باستراتيجيات "علاج الجميع" أو "عدم علاج أحد" ضمن احتمالات العتبة من 0.02 إلى 0.60.

الأهمية والادعاءات
يزعم المؤلفون أن نموذج الانحدار اللوجستي القائم على المؤشرات الروتينية المتاحة قبل الجراحة يمكن أن يتنبأ بفعالية بانتقال النقائل العقدية الليمفاوية في سرطان بطانة الرحم. وتفترض الدراسة ما يلي:

• البساطة مقابل التعقيد: في مجموعات البيانات الطبية ذات العينات المحدودة، لا يؤدي زيادة تعقيد النموذج بالضرورة إلى تحسين الأداء التنبؤي وقد يؤدي إلى الإفراط في التخصيص. فقد أظهر نموذج الانحدار اللوجستي الأبسط قدرة أفضل على التعميم من الطرق التجميعية المعقدة.
• الجدوى الاقتصادية: يوفر النموذج أداة اقتصادية وسهلة الوصول لاتخاذ القرارات قبل الجراحة، وهي مناسبة للمؤسسات الطبية بجميع مستوياتها، دون الحاجة إلى تسلسل جيني مكلف أو بيانات ما بعد الجراحة.
• فائدة العلامات الجديدة: تسلط الدراسة الضوء على القيمة التنبؤية المستقلة لـ CA19-9 وCA72-4 قبل الجراحة، مما يشير إلى أنها قد تحدد المجموعات الفرعية العدوانية المعرضة للانتقال اللمفاوي المبكر، مما قد يتفوق على CA125 في سياقات معينة.
• الترجمة السريرية: من خلال الاعتماد فقط على البيانات قبل الجراحة، يحل النموذج مفارقة "ما بعد الجراحة يوجه ما قبل الجراحة"، مما يوفر أساساً موثوقاً للتخطيط الجراحي الشخصي.

تخلص الورقة إلى أنه بينما يظهر النموذج دقة تنبؤية ومتانة عالية، يجب أن يركز العمل المستقبلي على التحقق الاستباقي متعدد المراكز وتطوير مخططات اسمية (nomograms) سهلة الاستخدام أو حواسب عبر الإنترنت لتسهيل الاعتماد السريري.