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

甲状腺がんは、体のホルモン生成腺に影響を及ぼす最も一般的な種類のがんであり、その症例の大部分は乳頭癌として知られる進行の遅い形態です。このグループの中には、あまりに小さいためにマイクロカルチノーマ（微小癌）と呼ばれる特定のサブセットが存在します。これらの非常に小さな腫瘍は多くの場合穏やかに振る舞いますが、それでも首から液体を排出する小さな豆のようなフィルターである近くのリンパ節に転移することがあります。外科医にとって特に厄介な領域は、声帯を制御する右側の神経の後ろにあるリンパ節の集まりです。この神経は深い組織の中を通っているため、標準的な超音波検査ではそこに隠れている癌細胞を見逃してしまうことがよくあります。これにより、医師は難しいジレンマに直面します。もし癌が見えない場合、安全のためにこれらの深いリンパ節を切除すべきか、それとも不必要なリスクを避けるためにそのままにしておくべきかという問題です。

昆明医科大学第一附属病院の研究チームは、術前のスキャンで転移の兆候が見られなかったこれらの微小な甲状腺腫瘍を持つ1,000人以上の患者の記録を振り返ることで、このパズルを解こうとしました。彼らは、これらの隠れたリンパ節に実際に癌が含まれているかどうかを高い精度で予測できるツールを構築したいと考えました。そのために、超音波で見える腫瘍の大きさと形状、患者の年齢、そして手術による具体的な結果（首の他の部位のリンパ節にどれだけの癌が見つかったかなど）を含む、各患者の詳細な情報を収集しました。そして、これらのデータを2つのグループに分け、一方の大きなグループを用いてコンピュータモデルにパターンを学習させ、もう一方の小さなグループを用いて、それらのモデルが新しい未知の患者に対して実際に機能するかどうかをテストしました。

研究者たちは、2種類の異なる予測システムを訓練しました。1つ目は、リスク因子と結果の間の直線的な関係を探る伝統的な統計手法です。2つ目は、より高度な機械学習システムであり、具体的には、人間の目では見落としてしまう可能性のある複雑で非線形なつながりを見つけ出すように設計されたXGBoostと呼ばれるアルゴリズムです。両方のシステムには、腫瘍が外殻を突き破ったかどうかや、声帯の前方または首の左側のリンパ節に癌が見つかったかどうかといった詳細を含む、同じデータが投入されました。目標は、どちらのシステムが、右側の神経の後ろにある隠れたリンパ節に癌があるかどうかを最もよく推測できるかを確認することでした。

結果は、両方の手法が非常に効果的であることを示しましたが、機械学習モデルの方が安定性においてわずかに優れていました。隠れた癌の最も強力な予測因子は、腫瘍の大きさや患者の年齢ではなく、2つの特定の、よりアクセスしやすい領域における癌リンチ節の割合、すなわち、声帯の前方のリンパ節と右側の神経の前方のリンパ節の割合であることが判明しました。これらの比率が高いとき、神経の後ろに癌が隠れている可能性が劇的に高まりました。実際、これら2つの要因だけで、機械学習モデルの予測力の3分の2以上を占めていました。腫瘍が被膜を突破したことや、複数の小さな腫瘍が存在することなどの他の要因も役割を果たしていましたが、その影響力は、これら特定の隣接するリンパ節グループにおける癌の負担と比較すると、はるかに小さいものでした。

研究者が2つのモデルを比較したところ、高度な機械学習システムの方が、隠れた癌を持つ患者と持たない患者を区別することにおいてわずかに優れていることがわかりましたが、その差は統計的に大きなものではありませんでした。より重要なことに、機械学習モデルは、異なるリスクレベルにわたって確率を予測する際に、より一貫性を保っていた一方で、伝統的なモデルはより変動が見られました。研究者たちは、機械学習モデルがどのように意思決定を行っているかを可視化する手法を用い、それが前述のリンパ節の比率に大きく依存していることを確認しました。これは、深く、目に見えにくいノードへの癌の広がりが、すでにアクセスしやすい周囲の領域にどれだけの癌が蓄積しているかと密接に関連していることを示唆しています。

本研究は、複雑な機械学習モデルはこうした入り組んだ関係を扱うための堅牢な手段を提供する一方で、より単純な伝統的モデルも優れた性能を発揮し、忙しい手術室において医師にとって使いやすい可能性があると結論付けています。両方のツールは、単なる推測を超えた方法を提供し、外科医が微小な甲状腺腫瘍を持つ患者の中で、隠れた転移のリスクが高い患者を特定するのを助けます。これらの高リスク患者を、手術前または手術中に正確に特定することで、医師は、全ての癌を除去する必要性と、手術の合併症を最小限に抑えたいという願いとのバランスを取りながら、より深い頸部リンパ節のより広範な郭清を行うべきかどうかについて、より情報に基づいた判断を下すことができます。今回の知見は、単に腫瘍自体を測定するよりも、アクセス可能なリンパ節における腫瘍の負担を見ることが、隠れたリスクを知るためのより明確な窓口になることを示唆しています。