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

Il tumore alla tiroide è il tipo di cancro più comune che colpisce le ghiandole endocrine del corpo, e la stragrande maggioranza di questi casi è una forma a crescita lenta nota come carcinoma tiroideo papillare. All'interno di questo gruppo, esiste un sottogruppo specifico di tumori così piccoli da essere chiamati microcarcinomi. Sebbene questi minuscoli tumori si comportino spesso in modo mite, possono comunque diffondersi ai linfonodi vicini, i piccoli filtri a forma di fagiolo che drenano i fluidi dal collo. Un'area particolarmente complicata per i chirurghi è un gruppo di linfonodi situati dietro il nervo destro che controlla la laringe. Poiché questo nervo si snoda attraverso tessuti profondi, le normali ecografie spesso non riescono a individuare le cellule cancerose che vi si nascondono. Ciò crea un difficile dilemma per i medici: se non riescono a vedere il cancro, dovrebbero rimuovere questi linfonodi profondi durante l'intervento per sicurezza, o lasciarli stare per evitare rischi inutili?

Un team di ricercatori del Primo Ospedale Affiliato dell'Università Medica di Kunming ha deciso di risolvere questo enigma esaminando le cartelle cliniche di oltre mille pazienti che presentavano questi minuscoli tumori tiroidei ma non mostravano segni di diffusione nelle scansioni preoperatorie. Volevano costruire uno strumento che potesse prevedere, con alta precisiono, se questi linfonodi nascosti contenessero effettivamente il cancro. Per farlo, hanno raccolto informazioni dettagliate su ogni paziente, tra cui la dimensione e la forma del tumore rilevate all'ecografia, l'età del paziente e i risultati specifici dell'intervento chirurgico, come quanti linfonodi in altre parti del collo sono risultati cancerosi. Hanno poi suddiviso questi dati in due gruppi, utilizzando un gruppo numeroso per insegnare ai modelli informatici come riconoscere gli schemi e un gruppo più piccolo per testare se tali modelli funzionassero effettivamente su nuovi pazienti non ancora visti.

I ricercatori hanno addestrato due diversi tipi di sistemi di previsione. Il primo era un metodo statistico tradizionale che cerca relazioni lineari tra i fattori di rischio e gli esiti. Il secondo era un sistema di apprendimento automatico più avanzato, specificamente un algoritmo chiamato XGBoost, progettato per trovare connessioni complesse e non lineari che l'occhio umano potrebbe ignorare. Entrambi i sistemi sono stati alimentati con gli stessi dati, inclusi dettagli come se il tumore avesse rotto la sua parete esterna o se fosse stato riscontrato il cancro nei linfonodi davanti alla laringe o a sinistra del collo. L'obiettivo era vedere quale sistema riuscisse a indovinare meglio se i linfonodi profondi e nascosti dietro il nervo destro fossero positivi al cancro.

I risultati hanno mostrato che entrambi i metodi erano altamente efficaci, ma il modello di apprendimento automatico aveva un leggero vantaggio in termini di stabilità. Il predittore più potente per il cancro nascosto non è risultato essere la dimensione del tumore o l'età del paziente, bensì il rapporto tra i linfonodi cancerosi trovati in due aree specifiche e più accessibili: i linfonodi davanti alla laringe e i linfonodi davanti al nervo destro. Quando questi rapporti erano elevati, la probabilità che il cancro si nascondesse dietro il nervo aumentava drasticamente. In effetti, questi due fattori da soli rappresentavano più di due terzi del potere predittivo nel modello di apprendimento automatico. Altri fattori, come la rottura della capsula del tumore o la presenza di molteplici piccoli tumori, giocavano un ruolo, ma la loro influenza era molto minore rispetto al carico di cancro in quei gruppi di linfonodi vicini.

Quando i ricercatori hanno confrontato i due modelli, hanno scoperto che il sistema di apprendimento automatico avanzato era leggermente migliore nel distinguere tra i pazienti con cancro nascosto e quelli senza, sebbene la differenza non fosse statisticamente enorme. Più importante ancora, il modello di apprendimento automatico rimaneva più costante nel prevedere le probabilità attraverso diversi livelli di rischio, mentre il modello tradizionale mostrava maggiori fluttuazioni. I ricercatori hanno utilizzato una tecnica per visualizzare esattamente come il modello di apprendimento automatico prendesse le sue decisioni, confermando che esso si basava pesantemente sui rapporti linfonodali sopra menzionati. Ciò suggerisce che la diffusione del cancro a questi linfonodi profondi e difficili da vedere è strettamente legata a quanto il cancro si sia già accumulato nelle aree circostanti, più facilmente raggiungibili.

Lo studio conclude che, sebbene il complesso modello di apprendimento automatico offra un modo robusto per gestire queste relazioni intricate, anche il modello tradizionale più semplice funziona bene e potrebbe essere più facile da utilizzare per i medici in una stanza operatoria affollata. Entrambi gli strumenti offrono un modo per andare oltre le supposizioni, aiutando i chirurghi a identificare quali pazienti con piccoli tumori tiroidei corrono un alto rischio di diffusione nascosta. Identificando con precisione questi individui ad alto rischio prima o durante l'intervento, i medici possono prendere decisioni più informate su se eseguire una dissezione più estesa dei linfonodi profondi del collo, bilanciando la necessità di rimuovere tutto il cancro con il desiderio di minimizzare le complicazioni chirurgiche. I risultati suggeriscono che osservare il carico tumorale nei linfonodi accessibili fornisce una finestra più chiara sui rischi nascosti rispetto alla semplice misurazione del tumore stesso.