Prediction of LN-prRLN Metastasis in cN0 PTMC Patients Using Logistic Regression and Machine Learning: A Single-Center Retrospective Study

يعد سرطان الغدة الدرقية النوع الأكثر شيوعاً من السرطانات التي تصيب الغدد المنتجة للهرمونات في الجسم، والغالبية العظمى من هذه الحالات هي نوع بطيء النمو يُعرف باسم سرطان الغدة الدرقية الحليمي. وضمن هذه المجموعة، يوجد نوع فرعي محدد من الأورام صغيرة جداً لدرجة أنها تُسمى "الأورام الدقيقة". وبينما غالباً ما تتصرف هذه الأورام المتناهية الصغر بهدوء، إلا أنها لا تزال قادرة على الانتشار إلى العقد الليمفاوية المجاورة، وهي المرشحات الصغيرة التي تشبه حبات الفاصوليا وتعمل على تصريف السوائل من الرقبة. ومن المناطق الصعبة بشكل خاص على الجراحين هي مجموعة من العقد تقع خلف العصب الأيمن الذي يتحكم في الحنجرة. ولأن هذا العصب يلتف عبر أنسجة عميقة، فإن فحوصات الموجات فوق الصوتية القياسية غالباً ما تفشل في رصد الخلايا السرطانية المختبئة هناك. وهذا يخلق معضلة صعبة للأطباء: إذا لم يتمكنوا من رؤية السرطان، فهل ينبغي لهم استئصال هذه العقد العميقة أثناء الجراحة من باب الأمان، أم تركها لتجنب المخاطر غير الضرورية؟

لقد وضع فريق من الباحثين في المستشفى الأول التابع للجامعة الطبية في كونمينغ حلاً لهذا اللغز من خلال مراجعة سجلات أكثر من ألف مريض كانوا يعانون من هذه الأورام الدرقية الصغيرة ولكن لم تظهر عليهم علامات انتشار في فحوصات ما قبل الجراحة. أرادوا بناء أداة يمكنها التنبؤ، بدقة عالية، ما إذا كانت هذه العقد المخفية تحتوي بالفعل على سرطان. ولتحقيق ذلك، جمعوا معلومات مفصلة عن كل مريض، بما في ذلك حجم وشكل الورم كما يظهر في الموجات فوق الصوتية، وعمر المريض، والنتائج المحددة للجراحة، مثل عدد العقد الليمفاوية في أجزاء أخرى من الرقبة التي وُجد فيها سرطان. ثم قاموا بتقسيم هذه البيانات إلى مجموعتين، باستخدام مجموعة كبيرة واحدة لتعليم النماذج الحاسوبية كيفية رصد الأنماط، ومجموعة أصغر لاختبار مدى فعالية تلك النماذج على مرضى جدد لم يسبق رؤيتهم.

قام الباحثون بتدريب نوعين مختلفين من أنظمة التنبؤ. كان الأول طريقة إحصائية تقليدية تبحث عن علاقات خطية مستقيمة بين عوامل الخطر والنتائج. أما الثاني فكان نظاماً أكثر تقدماً يعتمد على التعلم الآلي، وتحديداً خوارزمية تُسمى (XGBoost)، وهي مصممة لإيجاد روابط معقدة وغير خطية قد تغفل عنها العين البشرية. وقد تم تغذية كلا النظامين بنفس البيانات، بما في ذلك تفاصيل ما إذا كان الورم قد اخترق غلافه الخارجي أو ما إذا كان قد وُجد سرطان في العقد الليمفاوية الموجودة أمام الحنجرة أو إلى يسار الرقبة. وكان الهدف هو معرفة أي نظام يمكنه التنبؤ بشكل أفضل ما إذا كانت العقد العميقة والمخفية خلف العصب الأيمن إيجابية للسرطان.

أظهرت النتائج أن كلا الطريقتين كانتا فعالتين للغاية، لكن نموذج التعلم الآلي كان يتمتع بتفوق طفيف في الاستقرار. وتبين أن أقوى مؤشر للسرطان المخفي لم يكن حجم الورم أو عمر المريض، بل كان نسبة العقد السرطانية الموجودة في منطقتين محددتين وأكثر سهولة في الوصول إليهما: وهي العقد الموجودة أمام الحنجرة والعقد الموجودة أمام العصب الأيمن. وعندما كانت هذه النسب مرتفعة، زادت احتمالية وجود سرطان مختبئ خلف العصب بشكل كبير. وفي الواقع، ساهم هذان العاملان وحدهما بأكثر من ثلثي قوة التنبؤ في نموذج التعلم الآلي. كما لعبت عوامل أخرى، مثل اختراق الورم للغلاف أو وجود أورام صغيرة متعددة، دوراً في التنبؤ، لكن تأثيرها كان أصغر بكما مقارنة بعبء السرطان في مجموعات العقد الليمفاوية المجاورة المحددة تلك.

وعندما قارن الباحثون بين النموذجين، وجدوا أن نظام التعلم الآلي المتقدم كان أفضل قليلاً في التمييز بين المرضى الذين لديهم سرطان مخفي وأولئك الذين ليس لديهم. والأهم من ذلك، ظل نموذج التعلم الآلي أكثر اتساقاً عند التنبؤ بالاحتمالات عبر مستويات الخطر المختلفة، بينما أظهر النموذج التقليدي مزيداً من التقلب. واستخدم الباحثون تقنية لتصور كيفية اتخاذ نموذج التعلم الآلي لقراراته بدقة، مما أكد أنه يعتمد بشدة على نسب العقد الليمفاوية المذكورة آنفاً. وهذا يشير إلى أن انتشار السرطان إلى هذه العقد العميقة التي يصعب رؤيتها مرتبط ارتباطاً وثيقاً بحجم السرطان المتراكم بالفعل في المناطق المحيطة والأسهل وصولاً.

تخلص الدراسة إلى أنه بينما يوفر نموذج التعلم الآلي المعقد طريقة قوية للتعامل مع هذه العلاقات المتشابكة، فإن النموذج التقليدي الأبسط يؤدي أيضاً بشكل جيد وقد يكون أسهل في الاستخدام للأطباء في غرفة العمليات المزدحمة. وتوفر كلتا الأداتين وسيلة لتجاوز التخمين، مما يساعد الجراحين على تحديد المرضى ذوي المخاطر العالية للإصابة بالانتشار المخفي. ومن خلال تحديد هؤلاء الأفراد ذوي المخاطر العالية بدقة قبل أو أثناء الجراحة، يمكن للأطباء اتخاذ قرارات أكثر استنارة بشأن ما إذا كان ينبغي لهم إجراء عملية استئصال أكثر شمولاً لعقد الرقبة العميقة، مما يوازن بين الحاجة إلى إزالة جميع الخلايا السرطانية والرغبة في تقليل المضاعفات الجراحية. وتشير النتائج إلى أن النظر في عبء السرطان في العقد الليمفاوية التي يمكن الوصول إليها يوفر نافذة أوضح على المخاطر المخفية من مجرد قياس الورم نفسه.