Exploratory machine learning analysis of factors associated with positive circumferential resection margins following transanal total mesorectal excision: a multicenter registry study

Résumé technique : Analyse exploratoire par apprentissage automatique des facteurs associés à la positivité de la marge de résection circonférentielle après taTME

Énoncé du problème
La positivité de la marge de résection circonférentielle (MRC) est un indicateur de qualité oncologique critique, fortement associée à la récidive locale et à une réduction de la survie. Bien que l'excision totale du mésorectum par voie transanale (taTME) ait été introduite pour améliorer la visualisation et la dissection dans les cas anatomiquement complexes (ex. : pelvis étroit, obésité), l'obtention d'une MRC négative demeure un objectif chirurgical primordial. Des études antérieures basées sur des registres ont utilisé la régression logistique pour identifier des facteurs de risque tels que la menace de la fascia mésorectale (MRF) et le stade tumoral avancé. Cependant, la valeur incrémentale des algorithmes d'apprentissage automatique (ML) pour modéliser les relations non linéaires et interpréter les interactions complexes entre les variables au sein des données de registres en vie réelle nécessite une exploration plus approfondie. Cette étude répond à la nécessité d'explorer les facteurs associés à la positivité de la MRC après une taTME en utilisant un large registre multicentrique, en comparant plusieurs algorithmes de ML afin d'identifier les prédicteurs influents.

Méthodologie

• Source des données : L'étude a utilisé les données du Chinese TaTME Registry Collaborative (CTRC), un registre national basé sur le Web établi en 2017. La cohorte comprenait 1 625 patients atteints de cancer du rectum ayant subi une taTME primaire entre novembre 2017 et juillet 2024 dans 32 institutions.
• Critère de jugement : Le critère de jugement principal était la positivité pathologique de la MRC, définie par la présence de cellules tumorales ou de ganglions malins à ≤1 mm de la MRC. Le taux de positivité observé était de 2,77 % (45 cas).
• Prédicteurs : Vingt et une variables ont été prises en compte, incluant la démographie (âge, IMC, sexe), l'imagerie préopératoire (localisation de la tumeur, stade clinique T/N, menace de la MRF, invasion vasculaire extrinsèque), l'historique de traitement (traitement néoadjuvant), les facteurs peropératoires (supervision par un expert, approche chirurgicale, conversion, résection intersphinctérienne [ISR], difficultés peropératoires) et la pathologie postopératoire (stade pathologique T/N).
• Prétraitement des données : Les données manquantes (11,69 % au total) ont été traitées par imputation multiple basée sur les forêts aléatoires (random forest). Pour éviter la fuite de données (data leakage), l'imputation a été réalisée après la division de l'ensemble de données en cohortes d'entraînement (70 %) et de validation (30 %) en utilisant un échantillonnage stratifié pour préserver la distribution de l'événement rare.
• Développement du modèle : Neuf algorithmes d'apprentissage automatique supervisé ont été évalués : la régression logistique (LR), l'Elastic Net (ENET), l'arbre de décision (DT), la forêt aléatoire (RF), l'Extreme Gradient Boosting (XGBoost), la machine à vecteurs de support radiale (RSVM), le perceptron multicouche (MLP), le LightGBM et les k-plus proches voisins (KNN). Les hyperparamètres ont été optimisés via une recherche par grille (grid search) avec une validation croisée à cinq plis.
• Évaluation : La performance a été évaluée à l'aide de l'aire sous la courbe ROC (AUC), de l'exactitude, de la sensibilité, de la spécificité et d'autres mesures. L'interprétation du modèle a été réalisée à l'aide de SHapley Additive exPlanations (SHAP) pour quantifier la contribution des variables.

Résultats clés

• Performance des modèles : Dans la cohorte de validation, le modèle de machine à vecteurs de support radiale (RSVM) a démontré l'AUC apparente la plus élevée de 0,842 (IC 95 % : 0,696–0,989). La régression logistique a montré une discrimination comparable avec une AUC de 0,819. D'autres modèles, tels que la forêt aléatoire et le KNN, ont présenté des AUC d'entraînement élevées (>0,90) mais des performances de validation plus faibles, indiquant un surapprentissage (overfitting) dans ce contexte d'événement rare.
• Importance des variables : L'analyse SHAP sur le modèle RSVM a identifié les trois prédicteurs les plus influents de la positivité de la MRC :
  1. Le stade N pathologique.
  2. La menace de la fascia mésorectale (MRF) sur l'IRM préopératoire.
  3. La résection intersphinctérienne (ISR).
• Associations cliniques : Les patients présentant une positivité de la MRC étaient plus susceptibles d'avoir des stades T/N cliniques et pathologiques élevés, une atteinte de la MRF et une positivité de l'EMVI sur l'IRM. Les chirurgies réalisées sans supervision d'expert étaient associées à une MRC positive plus élevée, tandis que l'ISR et la chirurgie robotique présentaient des taux de positivité de la MRC plus élevés en analyse univariée.
• Variation inter-centres : Une hétérogénéité significative des taux de positivité de la MRC a été observée entre les 32 centres participants (p < 0,001), bien qu'aucune corrélation significative n'ait été trouvée entre le volume de cas du centre et les taux de positivité de la MRC.

Signification et affirmations
Les auteurs positionnent cette étude comme une analyse exploratoire plutôt que comme un outil de prédiction clinique définitif. La principale importance réside dans :

1. Validation des facteurs connus : Confirmation, au sein d'un large registre chinois multicentrique, que des facteurs cliniquement plausibles (menace de la MRF, stade nodal avancé, complexité chirurgicale via l'ISR) sont fortement associés à la positivité de la MRC.
2. Exploration méthodologique : Démonstration de l'application de multiples algorithmes de ML et de l'interprétation SHAP à un registre de taTME en vie réelle, soulignant les défis de la modélisation d'événements rares (faible ratio événement/prédicteur) et le risque de surapprentissage.
3. Limites et portée : Les auteurs précisent explicitement que les modèles incluent des variables peropératoires et postopératoires (ex. : stade pathologique, ISR, difficultés peropératoires), ce qui les rend inadaptés comme outils d'aide à la décision préopératoire. La faible valeur prédictive positive (VPP ~0,10 en validation) limite également l'utilité clinique immédiate pour l'escalade thérapeutique.
4. Directions futures : L'étude conclut que bien que le ML puisse intégrer des variables complexes, sa valeur par rapport à l'évaluation multidisciplinaire standard reste à prouver. Des recherches futures sont nécessaires pour développer des modèles utilisant exclusivement des variables préopératoires, augmenter le nombre d'événements de CRM positifs et réaliser une validation externe indépendante avant toute application clinique.

L'article ne prétend pas avoir découvert de nouveaux prédicteurs, mais plutôt avoir intégré quantitativement des facteurs de risque connus dans un cadre de registre étendu pour mieux comprendre leurs contributions relatives dans le contexte de la taTME.