El cáncer colorrectal es una de las neoplasias malignas más prevalentes en todo el mundo, ocupando el tercer lugar en incidencia y el segundo en mortalidad relacionada con el cáncer.

Investigaciones anteriores han destacado el ganglio linfático como una vía metastásica clave en el cáncer colorrectal, ya que más del 53% de los pacientes presentan afectación de los ganglios linfáticos mesentéricos asociada al tumor.

En consecuencia, la detección de metástasis en los ganglios linfáticos ha surgido como un factor pronóstico crucial para los pacientes que luchan contra el cáncer colorrectal, proporcionando información esencial para la toma de decisiones clínicas.

La cirugía con intención curativa, especialmente la linfadenectomía radical, sigue siendo el tratamiento principal del cáncer colorrectal no metastásico.

Aunque este enfoque puede salvar vidas, también conlleva el riesgo de sobretratamiento, lo que puede dar lugar a intervenciones quirúrgicas innecesarias en pacientes que quizá no se beneficien de medidas tan agresivas.

Además, la metástasis en los ganglios linfáticos mesentéricos también es esencial para el pronóstico y para identificar a los pacientes que probablemente se beneficien de la terapia adyuvante.

En la actualidad, la afectación de los ganglios linfáticos se evalúa mediante la estadificación N, que se basa en el examen histológico de las muestras de ganglios linfáticos para determinar la progresión metastásica.

Sin embargo, existe una necesidad acuciante de métodos más expeditivos y precisos que puedan predecir la metástasis de los ganglios linfáticos mesentéricos antes de la operación.

Recientemente, un equipo de investigación dirigido por Lanni Zhou, Fusheng Ouyang, Qiugen Hu y sus colegas del Departamento de Radiología del Hospital Shunde de la Universidad Médica del Sur de China publicó un estudio fundamental titulado «Mejora de la predicción de la metástasis preoperatoria de los ganglios linfáticos mesentéricos en el cáncer colorrectal mediante aprendizaje automático con datos basados en TC» en MedComm-Future Medicine, una revista publicada por Wiley.

Este estudio pretende desarrollar un modelo de predicción clínica mediante algoritmos de aprendizaje automático para evaluar el riesgo de metástasis de los ganglios linfáticos mesentéricos en el preoperatorio, basándose en imágenes de TC y datos clinicopatológicos de pacientes con cáncer colorrectal.

Las historias clínicas se recogieron del sistema de historias clínicas electrónicas del hospital.

De 147 pacientes, 49 (33,33%) tenían metástasis en los ganglios linfáticos mesentéricos, mientras que 98 (66,67%) no.

El grupo con metástasis en los ganglios linfáticos mesentéricos presentó niveles significativamente más altos de diámetro tumoral máximo, recuento de plaquetas, índice de bajo grado de diferenciación, índice de invasión linfovascular e índice de invasión perineural en comparación con el grupo sin metástasis en los ganglios linfáticos mesentéricos.

Por el contrario, el grupo con metástasis en los ganglios linfáticos mesentéricos mostró niveles de hematocrito notablemente inferiores.

Los investigadores emplearon el análisis de regresión del mínimo absoluto y del operador de selección para analizar estos hallazgos, utilizando la presencia de metástasis en los ganglios linfáticos mesentéricos como variable dependiente.

Por último, se seleccionaron siete variables, entre ellas la invasión perineural, la invasión linfovascular, la fracción de volumen extracelular del tumor, la diferencia del valor de atenuación de la TC entre la fase de equilibrio y la fase sin contraste (ΔHUtumor), la relación plaquetas/linfocitos, el nivel de hematocrito y el grado de diferenciación.

El estudio utilizó cinco técnicas de aprendizaje automático ampliamente utilizadas y actuales para construir los modelos de predicción, incluidos los modelos Random Forest, Naive Bayes, Extreme Gradient Boosting (XGB), Light Gradient Boosting y K-Nearest Neighbour, sometiendo cada modelo a 10 repeticiones para garantizar su solidez.

Entre los cinco modelos, el modelo XGB demostró el mayor nivel de estabilidad, alcanzando un AUC de 0,836 en el grupo de entrenamiento y de 0,831 en el grupo de validación.

En particular, el modelo XGB exhibió una desviación estándar menor en la puntuación AUC para el conjunto de validación (0,059), superando a los otros modelos en términos de consistencia.

Además, el rendimiento predictivo del modelo XGB es superior al de cada factor individual del modelo.

Estos resultados sugieren que el modelo XGB mostró el rendimiento más fiable.

El modelo se dilucidó aún más utilizando los valores de explicación aditiva de SHapley, que clasificaron los predictores del modelo XGB según su importancia, lo que proporcionó una valiosa información sobre el proceso de toma de decisiones del modelo.

Los análisis de calibración y de curvas de decisión mostraron una buena calibración y beneficio clínico, lo que subraya la aplicabilidad del modelo en un entorno clínico.

En resumen, este estudio estableció con éxito un modelo de aprendizaje automático basado en el XGB para predecir la probabilidad de metástasis en los ganglios linfáticos mesentéricos en pacientes con cáncer colorrectal.

El modelo resultante muestra un potencial significativo para ayudar en la planificación del tratamiento clínico, optimizar la selección de métodos quirúrgicos y guiar la toma de decisiones para la terapia adyuvante antes de la cirugía.

Fuente: Asociación Internacional de Promoción e Intercambio Médico de Sichuan