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

Technische Samenvatting: Integratie van Machine Learning voor de Preoperatieve Voorspelling van Lymfekliermetastasen bij Endometriumcarcinoom

Probleemstelling
Endometriumcarcinoom (EC) is een leidende gynaecologische maligniteit. Nauwkeurige preoperatieve voorspelling van lymfekliermetastasen (LNM) is cruciaal voor geïndividualiseerde chirurgische besluitvorming, specifiek om de overbehandeling en de daarmee gepaard gaande complicaties (bijv. lymfoedeem, darmobstructie) van niet-selectieve systematische lymfekliendissectie bij laag-risicopatiënten te vermijden. Huidige klinische voorspellingsmodellen vertrouwen vaak op postoperatieve pathologische indicatoren (bijv. tumorgraad, diepte van invasie) of complexe genomische gegevens, wat een fundamentele discrepantie creëert waarbij "postoperatieve indicatoren de preoperatieve beslissingen sturen". Bovendien laten bestaande modellen vaak belangrijke prognostische markers zoals Ki-67 weg of integreren ze niet volledig de routinematige serologische en immunohistochemische profielen die vóór de operatie beschikbaar zijn.

Methodologie
Deze studie maakte gebruik van een retrospectief ontwerp waarbij 594 patiënten met endometriumcarcinoom werden geanalyseerd die tussen oktober 2019 en oktober 2025 werden behandeld in het Hainan General Hospital.

• Gegevensverzameling: Variabelen omvatten klinische basisgegevens, preoperatieve serologische markers (AFP, CEA, CA125, CA19-9, CA72-4, etc.), postoperatieve pathologische indicatoren (myometriuminvasie, LVSI, tumoromvang, etc.) en immunohistochemische profielen (p53, ER, PR, Ki-67, MMR-eiwitten).
• Kenmerkselectie: Least Absolute Shrinkage and Selection Operator (LASSO) regressie werd gebruikt om variabelen te screenen en overfitting te voorkomen. Dit proces identificeerde zeven belangrijke voorspellers.
• Modelconstructie: Vier machine learning-algoritmen werden geconstrueerd en vergeleken: Logistische Regressie (LR), Random Forest (RF), Support Vector Machine (SVM) en XGBoost.
• Validatiestrategie: De dataset werd gesplitst in een ontwikkelingsset (n=416, 70%) en een testset (n=178, 30%). De modelprestaties werden geëvalueerd met behulp van de Area Under the Receiver Operating Characteristic Curve (AUC), sensitiviteit, specificiteit, kalibratiecurves en Decision Curve Analysis (DCA).
• Robuustheidscontroles: Subgroepanalyses werden uitgevoerd over diverse klinische kenmerken. Een sensitiviteitsanalyse werd uitgevoerd door p53-gemuteerde gevallen uit te sluiten om de stabiliteit van het model te beoordelen.

Belangrijkste Bijdragen

1. Preoperatieve Focus: De studie ontwikkelde een voorspellingsmodel dat uitsluitend gebruikmaakt van indicatoren die preoperatief beschikbaar zijn, waarmee het beperking van modellen die op postoperatieve data vertrouwen, wordt aangepakt.
2. Multimodale Integratie: Het model integreert systematisch routinematige pathologische parameters (LVSI), immunohistochemische markers (PR) en serologische biomarkers (CA19-9, CA72-4). Hoewel Ki-67 werd geëvalueerd, werd deze niet behouden als een onafhankelijke voorspeller in het uiteindelijke multivariate model.
3. Algoritmische Vergelijking: Het onderzoek biedt een vergelijkende analyse van eenvoudige (Logistische Regressie) versus complexe (RF, XGBoost, SVM) machine learning-modellen, waarbij wordt aangetoond dat eenvoudigere modellen een superieure generalisatie kunnen bieden in medische datasets met beperkte steekproefomvang.
4. Beoordeling van Klinische Bruikbaarheid: Naast statistische metrieken gebruikt de studie Decision Curve Analysis om het netto klinische voordeel te kwantificeren, wat de praktische toepasbaarheid van het model in de besluitvorming waarborgt.

Resultaten

• Voorspellers: LASSO-regressie identificeerde zeven onafhankelijke voorspellers: preoperatieve CA19-9, CA72-4, myometriuminvasie ≥1/2, totaal aantal verwijderde lymfeklieren, LVSI, PR-expressie en preoperatieve CA125. Opvallend genoeg, hoewel CEA significant was in de univariate analyse, behield het geen onafhankelijke voorspellende significantie in de multivariate analyse en behoorde het niet tot de uiteindelijke zeven door LASSO geselecteerde variabelen.
• Modelprestaties: In de onafhankelijke testset vertoonde het Logistische Regressie-model een superieure prestatie met een AUC van 0,863 (95% CI: 0,788–0,938), een sensitiviteit van 0,842 en een specificiteit van 0,761.
  • Dit presteerde beter dan het Random Forest-model (AUC = 0,848), XGBoost (AUC = 0,839) en SVM (AUC = 0,635).
  • Het Logistische Regressie-model overtrof ook gevestigde benchmarks: het ENDORISK-systeem (AUC = 0,820) en het Yang-stratificatiesysteem (AUC = 0,845).
• Kenmerkbelangrijkheid: LVSI werd geïdentificeerd als het meest kritieke kenmerk, gevolgd door het totaal aantal gedissecteerde lymfeklieren, PR-expressie en preoperatieve CA19-9.
• Robuustheid: Subgroepanalyse bevestigde een consistente prestatie (AUC ≥ 0,8) over diverse subgroepen van menopauze, LVSI en FIGO-stadium. Na het uitsluiten van p53-gemuteerde gevallen bleef de testset AUC stabiel op 0,817.
• Klinische Bruikbaarheid: Decision Curve Analysis gaf aan dat het model een significant netto klinisch voordeel biedt ten opzichte van de "behandel iedereen" of "behandel niemand" strategieën binnen drempelwaarschijnlijkheden van 0,02 tot 0,60.

Betekenis en Claims
De auteurs beweren dat een logistisch regressiemodel gebaseerd op routinematige, preoperatieve indicatoren effectief lymfekliermetastasen bij endometriumcarcinoom kan voorspellen. De studie stelt het volgende:

• Eenvoud vs. Complexiteit: In medische datasets met beperkte steekproeven leidt het verhogen van de modelcomplexiteit niet noodzakelijkerwijs tot een betere voorspellende prestatie en kan dit leiden tot overfitting. Het eenvoudigere Logistische Regressie-model vertoonde een betere generalisatie dan complexe ensemble-methoden.
• Kosteneffectiviteit: Het model biedt een economisch en toegankelijk instrument voor preoperatieve besluitvorming, geschikt voor medische instellingen op alle niveaus, zonder dat dure genomische sequencing of postoperatieve data vereist zijn.
• Nut van Nieuwe Markers: De studie benadrukt de onafhankelijke voorspellende waarde van preoperatieve CA19-9 en CA72-4, wat suggereert dat zij agressieve subgroepen kunnen identificeren die gevoelig zijn voor vroege lymfatische metastasen, waarbij zij potentieel CA125 in specifieke contexten overtreffen.
• Klinische Translatie: Door uitsluitend te vertrouwen op preoperatieve data, lost het model de "postoperatief stuurt preoperatief"-paradox op, en biedt het een betrouwbare basis voor gepersonaliseerde chirurgische planning.

De studie concludeert dat hoewel het model een hoge voorspellende nauwkeurigheid en robuustheid vertoont, toekomstig werk zich moet richten op multicenter prospectieve validatie en de ontwikkeling van gebruiksvriendelijke nomogrammen of online calculators om klinische adoptie te faciliteren.