Análisis Intraoperatorio de Vídeo de Doble Trazador Basado en Aprendizaje Profundo para el Mapeo del Ganglio Centinela en la Predicción de Metástasis en Carcinoma Papilar de Tiroides cN0

ANTECEDENTES Y FUNDAMENTOS:

El carcinoma papilar de tiroides (CPT) es uno de los cánceres de más rápido crecimiento a nivel mundial. Un desafío importante en el tratamiento del CPT es que del 30% al 80% de los pacientes que aparentan no tener afectación ganglionar antes de la cirugía (clínicamente negativos para ganglios, o cN0) en realidad tienen una diseminación oculta (oculta) del cáncer a sus ganglios linfáticos. Los métodos de imagen actuales como la ecografía a menudo pasan por alto estas pequeñas áreas de diseminación del cáncer.

Esto crea una decisión difícil para los cirujanos: extirpar demasiados ganglios linfáticos aumenta el riesgo de complicaciones como daño a las glándulas paratiroides (que controlan los niveles de calcio) y a los nervios que controlan la voz. Sin embargo, extirpar muy pocos ganglios linfáticos puede dejar cáncer atrás, lo que puede conducir a una recurrencia.

El mapeo del ganglio linfático centinela (GLC) es una técnica que identifica los primeros ganglios linfáticos que drenan de un tumor. La idea es que si el cáncer se disemina a través del sistema linfático, llegará primero a estos ganglios centinela. Sin embargo, los métodos actuales de trazador único para el mapeo del GLC en el cáncer de tiroides tienen limitaciones y resultados variables.

Este estudio utiliza un enfoque de doble trazador que combina dos colorantes diferentes:

1. Nanopartículas de carbono (NC): Proporcionan una tinción negra duradera que ayuda a los cirujanos a ver los ganglios linfáticos claramente.
2. Verde de indocianina (ICG): Este colorante brilla bajo luz infrarroja cercana, permitiendo la visualización en tiempo real del flujo linfático.

Al combinar estos dos trazadores, los cirujanos pueden ver tanto la estructura de los ganglios linfáticos como cómo el fluido linfático fluye a través de ellos con el tiempo.

DISEÑO DEL ESTUDIO:

Este es un estudio de cohorte observacional, prospectivo y de centro único. El estudio no cambia el tratamiento quirúrgico que reciben los participantes. Todos los participantes se someten a cirugía estándar de cáncer de tiroides con extirpación de ganglios linfáticos según lo determine su equipo quirúrgico.

PROCEDIMIENTOS DEL ESTUDIO:

1. Evaluación Preoperatoria:

   Todos los participantes se someten a una evaluación preoperatoria estándar que incluye:

   • Examen físico
   • Ecografía tiroidea con evaluación detallada de ganglios linfáticos
   • Biopsia por aspiración con aguja fina para confirmar el diagnóstico de CPT
   • Pruebas genéticas para mutaciones comunes (como BRAF)
   • Análisis de sangre estándar

2. Procedimiento Quirúrgico:

   Durante la cirugía, los participantes reciben la inyección del doble trazador bajo guía ecográfica. La inyección se administra en múltiples puntos alrededor del tumor tiroideo. La preparación específica es:

   • 0.1 ml de solución de ICG (concentración: 2.5 mg/ml)
   • 0.1 ml de suspensión de nanopartículas de carbono (concentración: 50 mg/ml) Estos se mezclan juntos y se inyectan utilizando una técnica precisa de múltiples puntos.

3. Grabación de Video:

   Un sistema de imagen de fluorescencia de infrarrojo cercano graba todo el proceso de visualización de los ganglios linfáticos. La grabación captura:

   • Cómo se distribuyen los colorantes a través de los canales linfáticos
   • Cuándo cada ganglio linfático se vuelve visible por primera vez
   • Cómo cambia la señal de fluorescencia con el tiempo
   • El patrón de drenaje linfático

   Los videos se graban en alta resolución (1920 × 1080 píxeles) a aproximadamente 30 fotogramas por segundo. Se extrae un segmento estandarizado de 3 minutos de cada video para el análisis, proporcionando 150 fotogramas por paciente.

4. Decisiones Quirúrgicas:

   El ganglio linfático centinela (el primer ganglio que se ilumina) se extirpa y se envía para análisis inmediato de sección congelada. Basándose en criterios estándar, los cirujanos deciden si realizar:

   • Disección central ipsilateral de ganglios linfáticos (extirpando ganglios linfáticos en el mismo lado que el tumor)
   • Disección lateral de ganglios linfáticos (si se cumplen ciertos criterios)
   • Disección central contralateral (extirpando ganglios linfáticos en el lado opuesto)

   Estas decisiones siguen el protocolo quirúrgico estándar de nuestra institución y no están influenciadas por las predicciones del aprendizaje profundo.

5. Examen Patológico:

   Todos los ganglios linfáticos extirpados son examinados por patólogos para determinar:

   • Si el ganglio linfático centinela contiene cáncer (estado SLNM)
   • Si los ganglios linfáticos de segundo nivel contienen cáncer (SeLNM)
   • Si los ganglios linfáticos no centinela contienen cáncer (NsLNM)
   • El número y la ubicación de todos los ganglios linfáticos positivos

RECOGIDA Y ANÁLISIS DE DATOS:

Datos Clínicos (32 variables):

• Datos demográficos: edad, sexo, índice de masa corporal
• Características ecográficas: tamaño del tumor, ubicación, márgenes, patrones de calcificación, relación de aspecto, clasificación TI-RADS
• Características patológicas: multifocalidad, extensión extratiroidea, invasión capsular
• Datos genéticos: estado de mutación BRAF y otras mutaciones relevantes

Análisis de Video:

Dos cirujanos experimentados (cada uno con más de 10 años de experiencia) identifican y delinean manualmente las regiones de interés (los ganglios linfáticos centinela) en cada fotograma del video. Esto crea 19,650 imágenes de máscara en todos los participantes.

Extracción de Características:

El sistema de aprendizaje profundo extrae múltiples tipos de características:

Características Espaciales (2,048 dimensiones):

• Características de imagen de una red neuronal preentrenada (EfficientNet-B5)
• Características de escala de grises
• Características de forma y morfológicas
• Descriptores de momento de Hu (descripciones matemáticas de la forma)

Características Temporales (20 dimensiones):

• Diferencias entre fotogramas que muestran cómo cambia la imagen
• Mediciones de flujo óptico que muestran patrones de movimiento
• Cambios de intensidad de fluorescencia a lo largo del tiempo
• Mediciones de velocidad de flujo en puntos de tiempo específicos

MODELOS DE APRENDIZAJE PROFUNDO:

Se desarrollan y comparan nueve arquitecturas diferentes de aprendizaje profundo:

1. Red Neuronal Convolucional (CNN): Extrae características espaciales locales de las imágenes
2. Memoria a Corto-Largo Plazo (LSTM): Captura patrones en datos de series temporales
3. CNN + LSTM: Combina la extracción de características espaciales y temporales
4. CNN + LSTM + Atención: Añade mecanismo de atención para enfocarse en puntos de tiempo importantes
5. Transformer: Utiliza auto-atención para capturar patrones globales en datos secuenciales
6. Crossformer: Una arquitectura especializada para análisis de series temporales
7. 3D-CNN: Procesa datos de video como volúmenes tridimensionales
8. LSTM + Transformer: Modelo híbrido que combina las fortalezas de LSTM y Transformer
9. LSTM + Crossformer: Modelo híbrido que combina LSTM y Crossformer

Todos los modelos utilizan:

• Función de pérdida de entropía cruzada binaria
• Optimizador Adam para el entrenamiento
• Aumento de datos (rotación, escalado, inyección de ruido) para evitar el sobreajuste
• Funciones de pérdida ponderadas para manejar el desequilibrio de clases
• Regularización por abandono (Dropout)

EVALUACIÓN DEL MODELO:

Los modelos se evalúan mediante validación cruzada estratificada de 10 pliegues, asegurando una distribución equilibrada de los resultados en los conjuntos de entrenamiento y prueba. Las métricas de rendimiento incluyen:

• Área Bajo la Curva ROC (AUC): Mide la capacidad de discriminación general
• Precisión: Porcentaje de predicciones correctas
• Sensibilidad: Capacidad para identificar correctamente a pacientes con metástasis
• Especificidad: Capacidad para identificar correctamente a pacientes sin metástasis
• Valor Predictivo Positivo: Probabilidad de que una predicción positiva sea correcta
• Valor Predictivo Negativo: Probabilidad de que una predicción negativa sea correcta
• Puntuación F1: Equilibrio entre precisión y exhaustividad (recall)
• Puntuación de Brier: Calibración de las probabilidades predichas

Análisis adicionales incluyen:

• Análisis de curvas de decisión para evaluar la utilidad clínica
• Curvas de calibración para verificar la fiabilidad de las predicciones
• Curvas de aprendizaje para evaluar el sobreajuste
• Prueba de DeLong para comparación estadística entre modelos
• Enfoque de clasificación de modelos basado en probabilidad (PMRA)

INTERPRETABILIDAD DEL MODELO:

Para entender cómo el modelo hace predicciones, utilizamos el análisis SHapley Additive exPlanations (SHAP). Esta técnica:

• Identifica qué características contribuyen más a las predicciones
• Muestra cómo cada característica afecta las predicciones individuales
• Revela si el modelo se basa en factores clínicamente significativos
• Proporciona transparencia en la "caja negra" del aprendizaje profundo

RESULTADOS:

Resultados Primarios:

1. Metástasis de ganglio linfático de segundo nivel (SeLNM): Diseminación del cáncer a ganglios linfáticos más allá del ganglio centinela en la vía de drenaje
2. Metástasis de ganglio linfático no centinela (NsLNM): Diseminación del cáncer a cualquier ganglio linfático que no sea el ganglio centinela

Ambos resultados se determinan mediante el examen patológico final del tejido extirpado quirúrgicamente (el estándar de oro).

Resultados Secundarios:

• Métricas de rendimiento del modelo (AUC, sensibilidad, especificidad, etc.)
• Clasificaciones de importancia de características del análisis SHAP
• Comparación de arquitecturas de modelos

CONSIDERACIONES ESTADÍSTICAS:

Tamaño de la Muestra:

Basado en cálculos de potencia asumiendo:

• Alfa = 0.05 (nivel de significancia)
• Potencia = 0.80
• Diferencia de sensibilidad esperada del 20% entre métodos
• Prevalencia esperada de metástasis ganglionares del 50%

Se calculó un mínimo de 335 participantes. Debido a criterios de inclusión estrictos y requisitos de calidad de video, se incluyeron 131 participantes con datos completos y de alta calidad en el análisis final.

Métodos Estadísticos:

• Estadísticas descriptivas para características basales
• Prueba de Chi-cuadrado o exacta de Fisher para variables categóricas
• Prueba U de Mann-Whitney para variables continuas
• Prueba de DeLong para comparar valores de AUC entre modelos
• Intervalos de confianza del 95% para todas las métricas de rendimiento

SEGUIMIENTO:

Si bien el análisis principal se centra en la predicción intraoperatoria, los participantes son seguidos de acuerdo con los protocolos estándar de atención clínica. Los resultados a largo plazo, incluida la supervivencia libre de recurrencia, pueden analizarse en estudios futuros.

CONSIDERACIONES ÉTICAS:

Este estudio fue aprobado por el Comité de Ética del Primer Hospital Afiliado de la Universidad Médica de Chongqing (Número de Aprobación: 2023-322). Todos los participantes proporcionaron consentimiento informado por escrito antes de la inscripción.

El estudio presenta un riesgo adicional mínimo para los participantes porque:

• La inyección de doble trazador utiliza agentes ya aprobados para uso clínico
• La grabación de video es no invasiva y no afecta las decisiones quirúrgicas
• Todas las decisiones quirúrgicas se toman de acuerdo con protocolos estándar
• El análisis de aprendizaje profundo se realiza retrospectivamente y no influye en el tratamiento

IMPACTO POTENCIAL:

Si tiene éxito, este enfoque podría:

1. Ayudar a los cirujanos a tomar decisiones más informadas sobre la extensión de la extirpación de ganglios linfáticos
2. Reducir cirugías extensas innecesarias en pacientes de bajo riesgo
3. Asegurar una cirugía adecuada en pacientes de alto riesgo que de otro modo podrían estar infratratados
4. Proporcionar apoyo para la toma de decisiones en tiempo real y objetivo durante la cirugía
5. Estandarizar la interpretación del mapeo linfático entre diferentes cirujanos y centros
6. Servir como herramienta de formación para cirujanos menos experimentados

LIMITACIONES:

• Estudio de centro único, lo que puede limitar la generalización
• Tamaño de muestra relativamente pequeño debido a requisitos de calidad estrictos
• La anotación manual de las regiones de interés puede introducir variabilidad
• Los modelos de aprendizaje profundo requieren validación en cohortes externas
• La implementación en tiempo real durante la cirugía requiere más desarrollo

DIRECCIONES FUTURAS:

• Validación externa en múltiples centros
• Desarrollo de software de predicción en tiempo real para uso intraoperatorio
• Integración con otras modalidades de imagen
• Ensayos intervencionales prospectivos para evaluar el beneficio clínico de la cirugía guiada por IA