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

थायराइड कैंसर शरीर की हार्मोन बनाने वाली ग्रंथियों को प्रभावित करने वाले कैंसर के सबसे सामान्य प्रकारों में से एक है, और इनमें से अधिकांश मामले 'पैपिलरी थायराइड कार्सिनोमा' नामक एक धीमी गति से बढ़ने वाले रूप के होते हैं। इस समूह के भीतर, ट्यूमर का एक विशिष्ट उपसमूह इतना छोटा होता है कि उन्हें 'माइक्रोसकार्सिनोमा' कहा जाता है। हालांकि ये नन्हे ट्यूमर अक्सर सौम्य व्यवहार करते हैं, फिर भी वे पास के लिम्फ नोड्स (लसीका ग्रंथियों) में फैल सकते हैं, जो गर्दन से तरल पदार्थ को निकालने वाले छोटे, बीन के आकार के फिल्टर होते हैं। सर्जनों के लिए एक विशेष रूप से कठिन क्षेत्र वह क्लस्टर है जो दाईं ओर के उस तंत्रिका (नर्व) के पीछे स्थित होता है जो स्वर यंत्र (वॉयस बॉक्स) को नियंत्रित करती है। चूंकि यह तंत्रिका गहरे ऊतकों के बीच से होकर गुजरती है, इसलिए मानक अल्ट्रासाउंड स्कैन अक्सर वहां छिपी कैंसर कोशिकाओं को नहीं देख पाते हैं। यह डॉक्टरों के सामने एक कठिन दुविधा पैदा करता है: यदि वे कैंसर को देख नहीं सकते, तो क्या उन्हें सुरक्षित रहने के लिए सर्जरी के दौरान इन गहरी ग्रंथियों को निकाल देना चाहिए, या अनावश्यक जोखिमों से बचने के लिए उन्हें वैसे ही छोड़ देना चाहिए?

कुनमिंग मेडिकल यूनिवर्सिटी के फर्स्ट एफिलिएटेड अस्पताल के शोधकर्ताओं की एक टीम ने इन हजारों रोगियों के रिकॉर्ड का अध्ययन करके इस पहेली को सुलझाने का प्रयास किया, जिनमें इन सूक्ष्म थायराइड ट्यूमर वाले रोगी थे लेकिन उनके प्री-ऑपरेटिव (सर्जरी से पहले के) स्कैन में प्रसार के कोई लक्षण नहीं दिखे थे। वे एक ऐसा उपकरण बनाना चाहते थे जो उच्च सटीकता के साथ यह भविष्यवाणी कर सके कि क्या उन छिपी हुई ग्रंथियों में वास्तव में कैंसर मौजूद है। इसके लिए, उन्होंने प्रत्येक रोगी के बारे में विस्तृत जानकारी एकत्र की, जिसमें अल्ट्रासाउंड में दिखने वाले ट्यूमर का आकार और आकृति, रोगी की आयु, और सर्जरी के विशिष्ट परिणाम शामिल थे, जैसे कि गर्दन के अन्य हिस्सों में कितनी लिम्फ नोड्स में कैंसर पाया गया। फिर उन्होंने इस डेटा को दो समूहों में विभाजित किया, जिसमें एक बड़े समूह का उपयोग कंप्यूटर मॉडल को पैटर्न पहचानने के लिए सिखाने के लिए किया गया और एक छोटे समूह का उपयोग यह परीक्षण करने के लिए किया गया कि क्या वे मॉडल वास्तव में नए, अनदेखे रोगियों पर काम करते हैं।

शोधकर्ताओं ने दो अलग-अलग प्रकार की भविष्यवाणी प्रणालियों को प्रशिक्षित किया। पहला एक पारंपरिक सांख्यिकीय तरीका है जो जोखिम कारकों और परिणामों के बीच सीधे संबंधों को देखता है। दूसरा एक अधिक उन्नत मशीन लर्निंग प्रणाली है, विशेष रूप से एक एल्गोरिदम जिसे 'XGBoost' कहा जाता है, जिसे उन जटिल, गैर-रेखीय संबंधों को खोजने के लिए डिज़ाइन किया गया है जिन्हें मानवीय आँखें मिस कर सकती हैं। दोनों प्रणालियों को समान डेटा दिया गया था, जिसमें यह जानकारी भी शामिल थी कि क्या ट्यूमर ने अपने बाहरी आवरण (कैप्सूल) को तोड़ दिया था या गर्दन के सामने के हिस्से या गर्दन के बाईं ओर के लिम्फ नोड्स में कैंसर पाया गया था। लक्ष्य यह देखना था कि कौन सी प्रणाली दाईं ओर की तंत्रिका के पीछे की गहरी, छिपी हुई ग्रंथियों में कैंसर होने की सबसे अच्छी भविष्यवाणी कर सकती है।

परिणामों से पता चला कि दोनों विधियाँ अत्यधिक प्रभावी थीं, लेकिन मशीन लर्निंग मॉडल का थोड़ा बेहतर पक्ष था। छिपे हुए कैंसर के लिए सबसे शक्तिशाली भविष्यवक्ता ट्यूमर का आकार या रोगी की आयु नहीं था, बल्कि दो विशिष्ट, अधिक सुलभ क्षेत्रों में कैंसरयुक्त नोड्स का अनुपात था: स्वर यंत्र के सामने के नोड्स और दाईं ओर की तंत्रिका के सामने के नोड्स। जब ये अनुपात उच्च थे, तो तंत्रिका के पीछे कैंसर छिपे होने की संभावना नाटकीय रूप से बढ़ गई। वास्तव में, इन दो कारकों ने अकेले ही मशीन लर्निंग मॉडल की भविष्यवाणी शक्ति के दो-तिहाई से अधिक हिस्से का योगदान दिया। अन्य कारक, जैसे कि ट्यूमर का कैप्सूल को तोड़ना या कई छोटे ट्यूमर की उपस्थिति, ने भूमिका निभाई, लेकिन उनका प्रभाव उन विशिष्ट पड़ोसी लिम्फ नोड समूहों में कैंसर के बोझ की तुलना में बहुत कम था।

जब शोधकर्ताओं ने दोनों मॉडलों की तुलना की, तो उन्होंने पाया कि उन्नत मशीन लर्निंग प्रणाली उन रोगियों के बीच अंतर करने में थोड़ी बेहतर थी जिनमें छिपा हुआ कैंसर था और वे जिनमें नहीं था, हालांकि यह अंतर सांख्यिकीय रूप से बहुत बड़ा नहीं था। अधिक महत्वपूर्ण बात यह है कि मशीन लर्निंग मॉडल विभिन्न जोखिम स्तरों पर संभावनाओं की भविष्यवाणी करते समय अधिक सुसंगत रहा, जबकि पारंपरिक मॉडल में अधिक उतार-चढ़ाव देखा गया। शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जिससे वे यह देख सकें कि मशीन लर्निंग मॉडल सटीक रूप से निर्णय कैसे लेता है, जिससे पुष्टि हुई कि यह मुख्य रूप से पहले बताए गए लिम्फ नोड अनुपातों पर निर्भर करता है। यह सुझाव देता है कि गहरी, कठिन-से-दिखने वाली नोड्स में कैंसर का प्रसार इस बात से निकटता से जुड़ा हुआ है कि आसपास के आसानी से पहुँचने वाले क्षेत्रों में पहले से कितना कैंसर जमा हो चुका है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि जटिल मशीन लर्निंग मॉडल इन जटिल संबंधों को संभालने का एक मजबूत तरीका प्रदान करता है, लेकिन सरल पारंपरिक मॉडल भी अच्छा प्रदर्शन करता है और शायद एक व्यस्त ऑपरेशन थिएटर में डॉक्टरों के लिए उपयोग करने में आसान हो सकता है। दोनों उपकरण अनुमान लगाने के बजाय एक ठोस तरीका प्रदान करते हैं, जिससे सर्जनों को यह पहचानने में मदद मिलती है कि सूक्ष्म थायराइड ट्यूमर वाले किन रोगियों में छिपे हुए प्रसार का उच्च जोखिम है। इन उच्च-जोखिम वाले व्यक्तियों की सटीक पहचान करके, डॉक्टर यह तय करने के लिए अधिक सूचित निर्णय ले सकते हैं कि क्या उन्हें गर्दन की गहरी ग्रंथियों का अधिक व्यापक विच्छेदन (डिसेक्शन) करना चाहिए, जिससे कैंसर को हटाने की आवश्यकता और सर्जिकल जटिलताओं को कम करने की इच्छा के बीच संतुलन बनाया जा सके। निष्कर्ष बताते हैं कि सुलभ लिम्फ नोड्स में टर्नर के बोझ को देखना केवल ट्यूमर को मापने की तुलना में छिपे हुए जोखिमों की एक स्पष्ट खिड़की प्रदान करता है।