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

Technische Zusammenfassung: Integration von maschinellem Lernen zur präoperativen Vorhersage von Lymphknotenmetastasen bei Endometriumkarzinom

Problemstellung
Das Endometriumkarzinom (EK) ist eine führende gynäkologische Malignität. Eine präzise präoperative Vorhersage von Lymphknotenmetastasen (LNM) ist entscheidend für die individualisierte chirurgische Entscheidungsfindung, insbesondere um die Übertherapie und die damit verbundenen Komplikationen (z. B. Lymphödem, Darmobstruktion) einer nicht-selektiven systematischen Lymphknotendissektion bei Patientinnen mit geringem Risiko zu vermeiden. Aktuelle klinische Vorhersagemodelle stützen sich häufig auf postoperative pathologische Indikatoren (z. B. Tumorgrad, Infiltrationstiefe) oder komplexe genomische Daten, was eine grundlegende Diskrepanz schafft, bei der „postoperative Indikatoren postoperative Entscheidungen leiten“. Darüber hinaus lassen bestehende Modelle häufig wichtige prognostische Marker wie Ki-67 aus oder versäumen es, routinemäßige serologische und immunhistochemische Profile, die vor der Operation verfügbar sind, umfassend zu integrieren.

Methodik
Diese Studie verwendete ein retrospektives Design zur Analyse von 594 Patientinnen mit Endometriumkarzinom, die zwischen Oktober 2019 und Oktober 2025 im Hainan General Hospital behandelt wurden.

• Datenerhebung: Die Variablen umfassten klinische Basisdaten, präoperative serologische Marker (AFP, CEA, CA125, CA19-9, CA72-4 usw.), postoperative pathologische Indikatoren (Myometriuminvasion, LVSI, Tumorgröße usw.) sowie immunhistochemische Profile (p53, ER, PR, Ki-67, MMR-Proteine).
• Merkmalsauswahl: Die Least Absolute Shrinkage and Selection Operator (LASSO)-Regression wurde eingesetzt, um Variablen zu filtern und Overfitting zu verhindern. Dieser Prozess identifizierte sieben Schlüsselprädiktoren.
• Modellkonstruktion: Es wurden vier Algorithmen des maschinellen Lernens konstruiert und verglichen: Logistische Regression (LR), Random Forest (RF), Support Vector Machine (SVM) und XGBoost.
• Validierungsstrategie: Der Datensatz wurde in einen Entwicklungsdatensatz (n=416, 70 %) und einen Testdatensatz (n=178, 30 %) aufgeteilt. Die Modellleistung wurde mittels der Area Under the Receiver Operating Characteristic Curve (AUC), Sensitivität, Spezifität, Kalibrierungskurven und Decision Curve Analysis (DCA) bewertet.
• Robustheitsprüfungen: Es wurden Subgruppenanalysen über verschiedene klinische Merkmale hinweg durchgeführt. Eine Sensitivitätsanalyse wurde durch den Ausschluss von p53-mutierten Fällen durchgeführt, um die Stabilität des Modells zu bewerten.

Zentrale Beiträge

1. Präoperativer Fokus: Die Studie entwickelte ein Vorhersagemodell, das ausschließlich auf präoperativ verfügbaren Indikatoren basiert, und adressiert damit die Einschränkung von Modellen, die auf postoperativen Daten beruhen.
2. Multimodale Integration: Das Modell integriert systematisch routinemäßige pathologische Parameter (LVSI), immunhistochemische Marker (PR) und serologische Biomarker (CA19-9, CA72-4). Während Ki-67 evaluiert wurde, wurde es nicht als unabhängiger Prädiktor in das endgültige multivariate Modell aufgenommen.
3. Algorithmischer Vergleich: Die Forschung bietet eine vergleichende Analyse einfacher (Logistische Regression) gegenüber komplexer (RF, XGBoost, SVM) Modelle des maschinellen Lernens und zeigt auf, dass einfachere Modelle bei medizinischen Datensätzen mit begrenzten Stichprobengrößen eine überlegene Generalisierung bieten können.
4. Bewertung des klinischen Nutzens: Über statistische Metriken hinaus nutzt die Studie die Decision Curve Analysis, um den klinischen Nettovorteil zu quantifizieren und so die praktische Anwendbarkeit in der Entscheidungsfindung sicherzustellen.

Ergebnisse

• Prädiktoren: Die LASSO-Regression identifizierte sieben unabhängige Prädiktoren: präoperatives CA19-9, CA72-4, Myometriuminvasion ≥1/2, Gesamtzahl der entfernten Lymphknoten, LVSI, PR-Expression und präoperatives CA125. Bemerkenswerterweise war CEA in der univariaten Analyse signifikant, behielt jedoch in der multivariaten Analyse keine unabhängige prädiktive Signifikanz und gehörte nicht zu den final sieben durch LASSO ausgewählten Variablen.
• Modellleistung: Im unabhängigen Testdatensatz zeigte das Modell der Logistischen Regression mit einer AUC von 0,863 (9% KI: 0,788–0,938), einer Sensitivität von 0,842 und einer Spezifität von 0,761 die überlegene Leistung.
  • Dies übertraf das Random Forest-Modell (AUC = 0,848), XGBoost (AUC = 0,839) und die SVM (AUC = 0,635).
  • Das Modell der Logistischen Regression übertraf zudem etablierte Benchmarks: das ENDORISK-System (AUC = 0,820) und das Yang-Stratifizierungssystem (AUC = 0,845).
• Merkmalswichtigkeit: LVSI wurde als das kritischste Merkmal identifiziert, gefolgt von der Gesamtzahl der dissekierten Lymphknoten, der PR-Expression und dem präoperativen CA19-9.
• Robustheit: Die Subgruppenanalyse bestätigte eine konsistente Leistung (AUC ≥ 0,8) über verschiedene Subgruppen hinsichtlich Menopause, LVSI und FIGO-Stadium hinweg. Nach Ausschluss der p53-mutierten Fälle blieb die Testset-AUC stabil bei 0,817.
• Klinischer Nutzen: Die Decision Curve Analysis zeigte, dass das Modell einen signifikanten klinischen Nettovorteil gegenüber den „Treat All“- oder „Treat None“-Strategien innerhalb von Schwellenwahrscheinlichkeiten von 0,02 bis 0,60 bietet.

Bedeutung und Ansprüche
Die Autoren behaupten, dass ein auf routinemäßigen, präoperativen Indikatoren basierendes logistisches Regressionsmodell die Lymphknotenmetastasen beim Endometriumkarzinom effektiv vorhersagen kann. Die Studie postuliert:

• Einfachheit vs. Komplexität: In medizinischen Datensätzen mit begrenzten Stichproben führt eine Erhöhung der Modellkomplexität nicht zwangsläufig zu einer besseren Vorhersageleistung und kann zu Overfitting führen. Das einfachere Modell der Logistischen Regression zeigte eine bessere Generalisierung als komplexe Ensemble-Methoden.
• Kosteneffizienz: Das Modell bietet ein ökonomisches und zugängliches Instrument für die präoperative Entscheidungsfindung, das für medizinische Einrichtungen aller Ebenen geeignet ist, ohne dass teure Genomsequenzierungen oder postoperative Daten erforderlich sind.
• Nutzen neuartiger Marker: Die Studie hebt den unabhängigen prädiktiven Wert von präoperativem CA19-9 und CA72-4 hervor und legt nahe, dass diese aggressive Subgruppen identifizieren können, die zu frühe Lymphknotenmetastasen neigen, und potenziell CA125 in spezifischen Kontexten übertreffen könnten.
• Klinische Translation: Durch die ausschließliche Nutzung präoperativer Daten löst das Modell das Paradoxon „postoperative Führung der präoperativen Entscheidung“ und bietet eine zuverlässige Grundlage für die personalisierte chirurgische Planung.

Die Arbeit kommt zu dem Schluss, dass das Modell zwar eine hohe Vorhersagegenauigkeit und Robustheit aufweist, zukünftige Arbeiten jedoch auf die multizentrische prospektive Validierung und die Entwicklung benutzerfreundlicher Nomogramme oder Online-Rechner fokussieren sollten, um die klinische Anwendung zu erleichtern.