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

तकनीकी सारांश: एंडोमेट्रियल कैंसर में प्रीऑपरेटिव लिम्फ नोड मेटास्टेसिस भविष्यवाणी के लिए मशीन लर्निंग एकीकरण

समस्या विवरण
एंडोमेट्रियल कैंसर (EC) एक प्रमुख स्त्री रोग संबंधी घातक बीमारी है। लिम्फ नोड मेटास्टेसिस (LNM) की सटीक प्रीऑपरेटिव (सर्जरी-पूर्व) भविष्यवाणी व्यक्तिगत सर्जिकल निर्णय लेने के लिए महत्वपूर्ण है, विशेष रूप से कम जोखिम वाले रोगियों में गैर-चयनात्मक व्यवस्थित लिम्फ नोड विच्छेदन (non-selective systematic lymph node dissection) से होने वाले अत्यधिक उपचार और संबंधित जटिलताओं (जैसे, लिम्फेडेमा, आंतों में रुकावट) से बचने के लिए। वर्तमान नैदानिक भविष्यवाणी मॉडल अक्सर पोस्टऑपरेटिव (सर्जरी-पश्चात) पैथोलॉजिकल संकेतकों (जैसे, ट्यूमर ग्रेड, आक्रमण की गहराई) या जटिल जीनोमिक डेटा पर निर्भर करते हैं, जो एक मौलिक विसंगति पैदा करता है जहाँ "पोस्टऑपरेटिव संकेतक प्रीऑपरेटिव निर्णयों को निर्देशित करते हैं।" इसके अलावा, मौजूदा मॉडल अक्सर Ki-67 जैसे प्रमुख प्रोग्नोस्टिक मार्करों को छोड़ देते हैं या सर्जरी से पहले उपलब्ध रूटीन सेरोलॉजिकल और इम्यूनोहिस्टोकेमिकल प्रोफाइल को व्यापक रूप से एकीकृत करने में विफल रहते हैं।

कार्यप्रणाली
इस अध्ययन में अक्टूबर 2019 से अक्टूबर 2025 के बीच हैनान जनरल अस्पताल में उपचारित एंडोमेट्रियल कार्सिनोमा के 594 रोगियों का विश्लेषण करने के लिए एक रेट्रोस्पेक्टिव डिज़ाइन का उपयोग किया गया।

• डेटा संग्रह: चरों (variables) में क्लिनिकल बेसलाइन डेटा, प्रीऑपरेटिव सेरोलॉजिकल मार्कर (AFP, CEA, CA125, CA19-9, CA72-4, आदि), पोस्टऑपरेटिव पैथोलॉजिकल संकेतक (मायोमेट्रियल आक्रमण, LVSI, ट्यूमर का आकार, आदि), और इम्यूनोहिस्टोकेमिकल प्रोफाइल (p53, ER, PR, Ki-67, MMR प्रोटीन) शामिल थे।
• विशेषता चयन (Feature Selection): चरों की स्क्रीनिंग करने और ओवरफिटिंग को रोकने के लिए लीस्ट एब्सोल्यूट श्रिंकेज एंड सिलेक्शन ऑपरेटर (LASSO) रिग्रेशन का उपयोग किया गया। इस प्रक्रिया ने सात प्रमुख भविष्यवक्ताओं की पहचान की।
• मॉडल निर्माण: चार मशीन लर्निंग एल्गोरिदम का निर्माण और तुलना की गई: लॉजिस्टिक रिग्रेशन (LR), रैंडम फॉरेस्ट (RF), सपोर्ट वेक्टर मशीन (SVM), और XGBoost।
• वैलिडेशन रणनीति: डेटासेट को एक डेवलपमेंट सेट (n=416, 70%) और एक टेस्ट सेट (n=178, 30%) में विभाजित किया गया। मॉडल के प्रदर्शन का मूल्यांकन एरिया अंडर द रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (AUC), संवेदनशीलता (sensitivity), विशिष्टता (specificity), कैलिब्रेशन कर्व्स और डिसीजन कर्व एनालिसिस (DCA) का उपयोग करके किया गया।
• मजबूती की जाँच (Robustness Checks): विभिन्न नैदानिक विशेषताओं के आधार पर सबग्रुप विश्लेषण किया गया। मॉडल की स्थिरता का आकलन करने के लिए p53-म्यूटेटेड मामलों को बाहर करके एक संवेदनशीलता विश्लेषण (sensitivity analysis) किया गया।

प्रमुख योगदान

1. प्रीऑपरेटिव फोकस: अध्ययन ने विशेष रूप से प्रीऑपरेटिव रूप से उपलब्ध संकेतकों का उपयोग करके एक भविष्यवाणी मॉडल विकसित किया, जो पोस्टऑपरेटिव डेटा पर निर्भर मॉडलों की सीमा को संबोधित करता है।
2. बहुआयामी एकीकरण (Multimodal Integration): मॉडल व्यवस्थित रूप से रूटीन पैथोलॉजिकल मापदंडों (LVSI), इम्यूनोहिस्टोकेमिकल मार्करों (PR), और सेरोलॉजिकल बायोमार्कर (CA19-9, CA72-4) को एकीकृत करता है। हालांकि Ki-67 का मूल्यांकन किया गया था, लेकिन इसे अंतिम मल्टीवेरिएट मॉडल में स्वतंत्र भविष्यवक्ता के रूप में नहीं रखा गया।
3. एल्गोरिदम तुलना: शोध सरल (लॉजिस्टिक रिग्रेशन) बनाम जटिल (RF, XGBoost, SVM) मशीन लर्निंग मॉडलों का तुलनात्मक विश्लेषण प्रदान करता है, जो यह दर्शाता है कि सीमित नमूना आकार वाले मेडिकल डेटासेट में सरल मॉडल बेहतर सामान्यीकरण (generalization) प्रदान कर सकते हैं।
4. नैदानिक उपयोगिता का मूल्यांकन: सांख्यिकीय मेट्रिक्स के अलावा, अध्ययन निर्णय लेने में मॉडल की व्यावहारिक प्रयोज्यता सुनिश्चित करने के लिए नेट क्लिनिकल बेनिफिट को मापने हेतु डिसीजन कर्व एनालिसिस का उपयोग करता है।

परिणाम

• भविष्यवक्ता (Predictors): LASSO रिग्रेशन ने सात स्वतंत्र भविष्यवक्ताओं की पहचान की: प्रीऑपरेटिव CA19-9, CA72-4, मायोमेट्रियल आक्रमण ≥1/2, निकाले गए लिम्फ नोड्स की कुल संख्या, LVSI, PR अभिव्यक्ति, और प्रीऑपरेटिव CA125। उल्लेखनीय रूप से, जबकि CEA यूनिवेरिएट विश्लेषण में महत्वपूर्ण था, इसने मल्टीवेरिएट विश्लेषण में स्वतंत्र भविष्य कहनेवाला महत्व बनाए नहीं रखा और LASSO द्वारा चयनित अंतिम सात चरों में शामिल नहीं था।
• मॉडल प्रदर्शन: स्वतंत्र टेस्ट सेट में, लॉजिस्टिक रिग्रेशन मॉडल ने 0.863 के AUC (95% CI: 0.788–0.938), 0.842 की संवेदनशीलता और 0.761 की विशिष्टता के साथ श्रेष्ठ प्रदर्शन किया।
  • इसने रैंडम फॉरेस्ट मॉडल (AUC = 0.848), XGBoost (AUC = 0.839), और SVM (AUC = 0.635) से बेहतर प्रदर्शन किया।
  • लॉजिस्टिक रिग्रेशन मॉडल ने स्थापित बेंचमार्क: ENDORISK सिस्टम (AUC = 0.820) और यांग के स्ट्रैटिफिकेशन सिस्टम (AUC = 0.845) को भी पछाड़ दिया।
• विशेषता महत्व (Feature Importance): LVSI को सबसे महत्वपूर्ण विशेषता के रूप में पहचाना गया, जिसके बाद विच्छेदित लिम्फ नोड्स की कुल संख्या, PR अभिव्यक्ति और प्रीऑपरेटिव CA19-9 का स्थान रहा।
• मजबूती (Robustness): सबग्रुप विश्लेषण ने विभिन्न मेनोपॉज़ल, LVSI, और FIGO स्टेज सबग्रुप्स में निरंतर प्रदर्शन (AUC ≥ 0.8) की पुष्टि की। p53-म्यूटेटेड मामलों को बाहर करने के बाद, टेस्ट सेट AUC 0.817 पर स्थिर रहा।
• नैदानिक उपयोगिता: डिसीजन कर्व एनालिसिस ने संकेत दिया कि मॉडल 0.02 से 0.60 की थ्रेशोल्ड प्रोबेबिलिटी के भीतर "ट्रीट ऑल" (सभी का उपचार) या "ट्रीट नन" (किसी का उपचार नहीं) रणनीतियों की तुलना में महत्वपूर्ण नेट क्लिनिकल बेनिफिट प्रदान करता है।

महत्व और दावे
लेखक दावा करते हैं कि रूटीन, प्रीऑपरेटिव संकेतकों पर आधारित एक लॉजिस्टिक रिग्रेशन मॉडल एंडोमेट्रियल कैंसर में लिम्फ नोड मेटास्टेसिस की प्रभावी ढंग से भविष्यवाणी कर सकता है। अध्ययन का तर्क है कि:

• सरलता बनाम जटिलता: सीमित नमूनों वाले मेडिकल डेटासेट में, मॉडल की जटिलता बढ़ाने से आवश्यक रूप से भविष्य कहनेवाला प्रदर्शन में वृद्धि नहीं होती है और इससे ओवरफिटिंग हो सकती है। सरल लॉजिस्टिक रिग्रेशन मॉडल ने जटिल एन्सेम्बल विधियों की तुलना में बेहतर सामान्यीकरण दिखाया।
• लागत-प्रभावशीलता: मॉडल प्रीऑपरेटिव निर्णय लेने के लिए एक किफायती और सुलभ उपकरण प्रदान करता है, जो महंगे जीनोमिक अनुक्रमण या पोस्टऑपरेटिव डेटा की आवश्यकता के बिना, सभी स्तरों के चिकित्सा संस्थानों के लिए उपयुक्त है।
• नवीन मार्कर उपयोगिता: अध्ययन प्रीऑपरेटिव CA19-9 और CA72-4 के स्वतंत्र भविष्य कहनेवाला मूल्य पर प्रकाश डालता है, जो सुझाव देता है कि वे प्रारंभिक लिम्फैटिक मेटास्टेसिस के प्रति संवेदनशील आक्रामक उपसमूहों की पहचान कर सकते हैं, जो विशिष्ट संदर्भों में CA125 से बेहतर प्रदर्शन कर सकते हैं।
• नैदानिक अनुवाद (Clinical Translation): केवल प्रीऑपरेटिव डेटा पर निर्भर रहकर, मॉडल "पोस्टऑपरेटिव गाइड प्रीऑपरेटिव" विरोधाभास को हल करता है, जिससे व्यक्तिगत सर्जिकल योजना के लिए एक विश्वसनीय आधार मिलता है।

लेख निष्कर्ष निकालता है कि हालांकि मॉडल उच्च भविष्य कहनेवाला सटीकता और मजबूती दिखाता है, भविष्य के कार्यों को मल्टीसेंटर प्रोस्पेक्टिव वैलिडेशन और नैदानिक अपनाने की सुविधा के लिए उपयोगकर्ता के अनुकूल नोमोग्राम या ऑनलाइन कैलकुलेटर के विकास पर ध्यान केंद्रित करना चाहिए।