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

Schilddrüsenkrebs ist die häufigste Krebsart, die die hormonproduzierenden Drüsen des Körpers betrifft, und die überwiegende Mehrheit dieser Fälle ist eine langsam wachsende Form, die als papilläres Schilddrüsenkarzinom bekannt ist. Innerhalb dieser Gruppe gibt es eine spezifische Untergruppe von Tumoren, die so klein sind, dass sie als Mikrokarzinome bezeichnet werden. Obwohl diese winzigen Tumoren oft einen milden Verlauf nehmen, können sie dennoch in benachbarte Lymphknoten streuen – jene kleinen, bohnenförmigen Filter, die die Flüssigkeit aus dem Hals abführen. Ein besonders schwieriges Gebiet für Chirurgen ist ein Cluster von Knoten, der sich hinter dem rechten Nerv befindet, der den Kehlkopf steuert. Da dieser Nerv durch tiefes Gewebe verläuft, übersehen Standard-Ultraschalluntersuchungen oft Krebszellen, die sich dort verstecken. Dies schafft ein schwieriges Dilemma für Ärzte: Wenn sie den Krebs nicht sehen können, sollten sie diese tief liegenden Knoten während der Operation entfernen, um auf Nummer sicher zu gehen, oder sie unberührt lassen, um unnötige Risiken zu vermeiden?

Ein Team von Forschern der Ersten Angehörigen Klinik der Medizinischen Universität Kunming setzte sich zum Ziel, dieses Rätsel zu lösen, indem sie die Krankenakten von über tausend Patienten untersuchten, die diese winzigen Schilddrüsenstumore aufwiesen, aber in ihren präoperativen Scans keine Anzeichen einer Ausbreitung zeigten. Sie wollten ein Werkzeug entwickeln, das mit hoher Genauigkeit vorhersagen konnte, ob diese verborgenen Knoten tatsächlich Krebs enthielten. Zu diesem Zweck sammelten sie detaillierte Informationen über jeden Patienten, einschließlich der Größe und Form des Tumors im Ultraschall, des Alters des Patienten sowie der spezifischen Ergebnisse der Operation, wie etwa die Anzahl der Lymphknoten in anderen Teilen des Halses, die als krebsartig befunden wurden. Sie teilten diese Daten dann in zwei Gruppen auf: eine große Gruppe, um Computermodelle darin zu unterrichten, Muster zu erkennen, und eine kleinere Gruppe, um zu testen, ob diese Modelle auch bei neuen, unbekannten Patienten tatsächlich funktionierten.

Die Forscher trainierten zwei verschiedene Arten von Vorhersagesystemen. Das erste war eine traditionelle statistische Methode, die nach linearen Beziehungen zwischen Risikofaktoren und Ergebnissen sucht. Das zweite war ein fortschrittlicheres System des maschinellen Lernens, speziell ein Algorithmus namens XGBoost, der darauf ausgelegt ist, komplexe, nicht-lineare Verbindungen zu finden, die dem menschlichen Auge entgehen könnten. Beiden Systemen wurden dieselben Daten zugeführt, einschließlich Details wie der Frage, ob der Tumor seine äußere Hülle durchbrochen hatte oder ob Krebs in den Lymphknoten vor dem Kehlkopf bzw. links im Hals vorhanden war. Das Ziel war es zu sehen, welches System am besten erraten konnte, ob die tiefen, verborgenen Knoten positiv auf Krebs getestet waren.

Die Ergebnisse zeigten, dass beide Methoden hochwirksam waren, wobei das Modell des maschinellen Lernens einen leichten Vorteil in der Stabilität aufwies. Der stärkste Prädiktor für verborgenen Krebs war nicht die Größe des Tumors oder das Alter des Patienten, sondern vielmehr das Verhältnis der krebsartigen Knoten, die in zwei spezifischen, leichter zugänglichen Bereichen gefunden wurden: den Knoten vor dem Kehlkopf und den Knoten vor dem rechten Nerv. Wenn diese Verhältnisse hoch waren, stieg die Wahrscheinlichkeit, dass sich Krebs hinter dem Nerv verbarg, drastisch an. Tatsächlich machten diese beiden Faktoren allein mehr als zwei Drittel der Vorhersagekraft des Modells des maschinellen Lernens aus. Andere Faktoren, wie etwa das Durchbrechen des Tumors durch die Kapsel oder das Vorhandensein mehrerer kleiner Tumore, spielten eine Rolle, ihr Einfluss war jedoch wesentlich geringer als die Krebslast in diesen spezifischen, benachbarten Lymphknotengruppen.

Als die Forscher die beiden Modelle verglichen, stellten sie fest, dass das fortschrittliche System des maschinellen Lernens etwas besser darin war, zwischen Patienten mit verborgenem Krebs und solchen ohne ihn zu unterscheiden, obwohl der Unterschied statistisch nicht riesig war. Wichtiger noch war, dass das Modell des maschinellen Lernens konsistenter bei der Vorhersage von Wahrscheinlichkeiten über verschiedene Risikostufen hinweg blieb, während das traditionelle Modell stärkere Schwankungen zeigte. Die Forscher nutzten eine Technik, um zu visualisieren, wie genau das Modell des maschinellen Lernens seine Entscheidungen traf, und bestätigten damit, dass es stark auf die zuvor erwähnten Lymphknotenverhältnisse vertraute. Dies deutet darauf hin, dass die Ausbreitung von Krebs zu diesen tiefen, schwer einsehbaren Knoten eng mit der Menge an Krebs verknüpft ist, die sich bereits in den umliegenden, leichter erreichbaren Bereichen angesammelt hat.

Die Studie kommt zu dem Schluss, dass das komplexe Modell des maschinellen Lernens zwar eine robuste Methode zur Handhabung dieser komplizierten Beziehungen bietet, das einfachere traditionelle Modell jedoch ebenfalls gut funktioniert und für Ärzte in einem belebten Operationssaal leichter anzuwenden sein könnte. Beide Werkzeuge bieten eine Möglichkeit, über bloßes Raten hinauszugehen und Chirurgen dabei zu helfen, jene Patienten mit winzigen Schilddrüsentumoren zu identifizieren, die ein hohes Risiko für eine verborgene Ausbreitung tragen. Durch die genaue Identifizierung dieser Hochrisikopatienten vor oder während der Operation können Ärzte fundiertere Entscheidungen darüber treffen, ob sie eine umfassendere Dissektion der tiefen Halsknoten durchführen sollten, um das Gleichgewicht zwischen der Notwendigkeit, den gesamten Krebs zu entfernen, und dem Wunsch, chirurgische Komplikationen zu minimieren, zu wahren. Die Ergebnisse legen nahe, dass der Blick auf die Tumorlast in den zugänglichen Lymphknoten ein klareres Fenster in die verborgenen Risiken bietet als die bloße Messung des Tumors selbst.