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

Schildklierkanker is de meest voorkomende vorm van kanker die de hormoonproducerende klieren van het lichaam aantast, en het overgrote deel van deze gevallen is een langzaam groeiende vorm die bekend staat als papillair schildkliercarcinoom. Binnen deze groep bestaat een specifieke subgroep van tumoren die zo klein zijn dat ze microcarcinomen worden genoemd. Hoewel deze minuscule tumoren zich vaak mild gedragen, kunnen ze nog steeds uitzaaien naar nabijgelegen lymfeklieren, de kleine boonvormige filters die vocht uit de nek afvoeren. Een bijzonder lastig gebied voor chirurgen is een cluster van klieren dat zich achter de rechterzenuw bevindt die het strottenhoofd aanstuurt. Omdat deze zenuw door diep weefsel slingert, missen standaard echoscans vaak kankercellen die daar verscholen liggen. Dit creëert een moeilijk dilemma voor artsen: als ze de kanker niet kunnen zien, moeten ze deze diepe klieren dan tijdens de operatie verwijderen om veilig te zijn, of laten ze ze met rust om onnodige risico's te vermijden?

Een team van onderzoekers van het Eerste Affilieerde Ziekenhuis van de Kunming Medical University zette zich in om dit puzzelstukje op te lossen door terug te kijken naar de dossiers van meer dan duizend patiënten die deze minuscule schildkliertumoren hadden, maar geen tekenen van uitzaaiing vertoonden op hun preoperatieve scans. Ze wilden een hulpmiddel bouwen dat met hoge nauwkeurigheid kon voorspellen of deze verborgen klieren daadwerkelijk kanker bevatten. Hiervoor verzamelden ze gedetailleerde informatie over elke patiënt, inclusioneel de grootte en vorm van de tumor gezien op de echo, de leeftijd van de patiënt en de specifieke resultaten van de operatie, zoals hoeveel lymfeklieren in andere delen van de nek kankerachtig waren bevonden. Ze verdeelden deze gegevens vervolgens in twee groepen, waarbij ze één grote groep gebruikten om computermodellen te leren patronen te herkennen en een kleinere groep om te testen of die modellen daadwerkelijk werkten op nieuwe, onbekende patiënten.

De onderzoekers trainden twee verschillende soorten voorspellingssystemen. De eerste was een traditionele statistische methode die zoekt naar lineaire relaties tussen risicofactoren en uitkomsten. De tweede was een geavanceerder machine learning-systeem, specifweg een algoritme genaamd XGBoost, dat is ontworpen om complexe, niet-lineaire verbanden te vinden die het menselijk oog zou kunnen missen. Beide systemen werden gevoed met dezelfde gegevens, inclusief details over of de tumor door zijn buitenste schil was gebroken of de aanwezigheid van kanker in de lymfeklieren vóór het strottenhoofd of aan de linkerkant van de nek. Het doel was om te zien welk systeem het beste kon raden of de diepe, verborgen klieren achter de rechterzenuw positief waren voor kanker.

De resultaten toonden aan dat beide methoden zeer effectief waren, maar dat het machine learning-model een lichte voorsprong had in stabiliteit. De krachtigste voorspeller voor verborgen kanker bleek niet de grootte van de tumor of de leeftijd van de patiënt te zijn, maar de ratio van de kankerklieren gevonden in twee specifieke, meer toegankelijke gebieden: de klieren vóór het strottenhoofd en de klieren vóór de rechterzenuw. Wanneer deze ratio's hoog waren, nam de waarschijnlijkheid dat er kanker verborgen zat achter de zenuw drastisch toe. Sterker nog, deze twee factoren alleen al waren verantwoordelijk voor meer dan twee derde van de voorspellende kracht in het machine learning-model. Andere factoren, zoals het doorbreken van de kapsel door de tumor of de aanwezigheid van meerdere kleine tumoren, speelden een rol, maar hun invloed was veel kleiner vergeleken met de last van kanker in die specifieke naburige lymfekliergroepen.

Toen de onderzoekers de twee modellen met elkaar vergeleken, ontdekten ze dat het geavanceerde machine learning-systeem iets beter was in het onderscheiden van patiënten met verborgen kanker en patiënten zonder, hoewel het verschil statistisch gezien niet enorm was. Belangrijker nog, het machine learning-model bleef consistenter bij het voorspellen van waarschijnlijkheden over verschillende risiconiveaus, terwijl het traditionele model meer fluctuaties vertoonde. De onderzoekers gebruikten een techniek om te visualiseren hoe het machine learning-model precies zijn beslissingen nam, wat bevestigde dat het zwaar leunde op de eerder genoemde lymfeklierratio's. Dit suggereert dat de verspreiding van kanker naar deze diepe, moeilijk zichtbare klieren nauw samenhangt met hoeveel kanker er al is opgehoopt in de omliggende, gemakkelijker bereikbare gebieden.

De studie concludeert dat hoewel het complexe machine learning-model een robuuste manier biedt om deze ingewikkelde relaties aan te pakken, het simpelere traditionele model ook goed presteert en mogelijk gemakkelijker te gebruiken is voor artsen in een drukke operatiekamer. Beide instrumenten bieden een manier om voorbij gokwerk te gaan, waardoor chirurgen kunnen identificeren welke patiënten met minuscule schildkliertumoren een hoog risico lopen op verborgen uitzaaiing. Door deze hoog-risicopatiënten nauwkeurig op te sporen vóór of tijdens de operatie, kunnen artsen meer geïnformeerde beslissingen nemen over het uitvoeren van een uitgebreidere dissectie van de diepe nekklieren, waarbij een balans wordt gezocht tussen de noodzaak om alle kanker te verwijderen en het verlangen om chirurgische complicaties te minimaliseren. De bevindingen suggereren dat het kijken naar de tumorlast in toegankelijke lymfeklieren een helderder venster biedt in de verborgen risico's dan simpelweg het meten van de tumor zelf.