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

Le cancer de la thyroïde est le type de cancer le plus courant affectant les glandes productrices d'hormones de l'organisme, et la vaste majorité de ces cas est une forme à croissance lente connue sous le nom de carcinome papillaire de la thyroïde. Au sein de ce groupe, il existe un sous-ensemble spécifique de tumeurs si petites qu'elles sont appelées microcarcinomes. Bien que ces minuscules tumeurs se comportent souvent de manière bénigne, elles peuvent tout de même se propager aux ganglions lymphatiques voisins, ces petits filtres en forme de haricot qui drainent les fluides du cou. Une zone particulièrement délicate pour les chirurgiens est un amas de ganglions situés derrière le nerf droit qui contrôle le larynx. Comme ce nerf serpente à travers les tissus profonds, les examens par échographie standards passent souvent à côté des cellules cancéreuses qui s'y cachent. Cela crée un dilemme difficile pour les médecins : s'ils ne peuvent pas voir le cancer, doivent-ils retirer ces ganglions profonds lors de la chirurgie par mesure de sécurité, ou les laisser en place pour éviter des risques inutiles ?

Une équipe de chercheurs de l'Hôpital affilié n°1 de l'Université médicale de Kunming s'est donné pour mission de résoudre cette énigme en examinant les dossiers de plus de mille patients présentant ces minuscules tumeurs thyroïdiennes mais ne montrant aucun signe de propagation lors de leurs examens préopératoires. Ils voulaient construire un outil capable de prédire, avec une grande précision, si ces ganglions cachés contenaient réellement un cancer. Pour ce faire, ils ont recueilli des informations détaillées sur chaque patient, notamment la taille et la forme de la tumeur observée à l'échographie, l'âge du patient, ainsi que les résultats spécifiques de la chirurgie, comme le nombre de ganglions lymphatiques trouvés cancéreux dans d'autres parties du cou. Ils ont ensuite divisé ces données en deux groupes, utilisant un grand groupe pour apprendre aux modèles informatiques à repérer des schémas et un groupe plus restreint pour tester si ces modèles fonctionnaient réellement sur de nouveaux patients n'ayant pas encore été vus.

Les chercheurs ont entraîné deux types différents de systèmes de prédiction. Le premier était une méthode statistique traditionnelle qui recherche des relations linéaires entre les facteurs de risque et les résultats. Le second était un système d'apprentissage automatique plus avancé, spécifiquement un algorithme appelé XGBoost, conçu pour trouver des connexions complexes et non linéaires que l'œil humain pourrait manquer. Les deux systèmes ont été alimentés par les mêmes données, incluant des détails tels que la rupture de la capsule externe de la tumeur ou la présence de cancer dans les ganglions lymphatiques situés devant le larynx ou à gauche du cou. L'objectif était de voir quel système pouvait le mieux deviner si les ganglions profonds, cachés derrière le nerf droit, étaient positifs pour le cancer.

Les résultats ont montré que les deux méthodes étaient très efficaces, mais que le modèle d'apprentissage automatique avait un léger avantage en termes de stabilité. Le prédicteur le plus puissant du cancer caché ne s'est avéré être ni la taille de la tumeur ni l'âge du patient, mais plutôt le ratio de ganglions cancéreux trouvés dans deux zones spécifiques et plus accessibles : les ganglions situés devant le larynx et les ganglions situés devant le nerf droit. Lorsque ces ratios étaient élevés, la probabilité que le cancer se cache derrière le nerf augmentait de façon spectaculaire. En fait, ces deux facteurs expliquaient à eux seuls plus des deux tiers du pouvoir de prédiction du modèle d'apprentissage automatique. D'autres facteurs, tels que la rupture de la capsule de la tumeur ou la présence de multiples petites tumeurs, jouaient un rôle, mais leur influence était bien moindre par rapport à la charge cancéreuse dans ces groupes de ganglions lymphatiques voisins spécifiques.

Lorsque les chercheurs ont comparé les deux modèles, ils ont constaté que le système d'apprentissage automatique avancé était légèrement meilleur pour distinguer les patients présentant un cancer caché de ceux qui n'en avaient pas, bien que la différence ne soit pas statistiquement énorme. Plus important encore, le modèle d'apprentissage automatique restait plus cohérent dans la prédiction des probabilités à travers différents niveaux de risque, alors que le modèle traditionnel présentait plus de fluctuations. Les chercheurs ont utilisé une technique pour visualiser précisément comment le modèle d'apprentissage automatique prenait ses décisions, confirmant qu'il reposait lourdement sur les ratios de ganglions lymphatiques mentionnés précédemment. Cela suggère que la propagation du cancer vers ces ganglions profonds et difficiles à voir est étroitement liée à la quantité de cancer déjà accumulée dans les zones environnantes plus faciles d'accès.

L'étude conclut que, bien que le modèle complexe d'apprentissage automatique offre une façon robuste de gérer ces relations complexes, le modèle traditionnel plus simple fonctionne également bien et pourrait être plus facile à utiliser pour les médecins dans un bloc opératoire chargé. Ces deux outils offrent un moyen de dépasser les conjectures, aidant les chirurgiens à identifier les patients présentant de microcarcinomes thyroïdiens qui présentent un risque élevé de propagation cachée. En identifiant avec précision ces individus à haut risque avant ou pendant la chirurgie, les médecins peuvent prendre des décisions plus éclairées quant à l'opportunité de pratiquer une dissection plus étendue des ganglions profonds du cou, équilibrant ainsi la nécessité d'éliminer tout le cancer et le désir de minimiser les complications chirurgicales. Les conclusions suggèrent que l'observation de la charge tumorale dans les ganglions lymphatiques accessibles offre une fenêtre plus claire sur les risques cachés que la simple mesure de la tumeur elle-même.