雑誌文献を検索します。書籍を検索する際には「書籍検索」を選択してください。

Stomach and Intestine(Tokyo) Volume 60, Issue 8 （August 2025）

胃と腸 60巻8号（2025年8月発行）

Japanese English

今月の主題消化管内視鏡診療におけるAIの活用と展望

ノート

機械学習を用いた早期胃癌内視鏡治療後のリンパ節転移予測モデル Machine Learning Model for Predicting the Lymph Node Metastasis of Early Gastric Cancer 加藤穣 ^1,2 , 林義人 ² , 上間遼太郎 ² , 金坂卓 ¹ , 山口真二郎 ³ , 前川聡 ⁴ , 山田拓哉 ⁵ , 山本政司 ⁶ , 北村信次 ⁷ , 井上拓也 ⁸ , 山本俊祐 ⁹ , 木津崇 ¹⁰ , 武田梨里 ¹¹ , 荻山秀治 ¹² , 山本克己 ¹³ , 青井健司 ¹⁴ , 長生幸司 ¹⁵ , 笹井保孝 ¹⁶ , 柄川悟志 ¹⁷ , 赤松晴樹 ¹⁸ , 小川弘之 ¹⁹ , 小森真人 ²⁰ , 西原彰浩 ²¹ , 竹原徹郎 ² Minoru Kato ^1,2 , Yoshito Hayashi ² , Ryotaro Uema ² , Takashi Kanesaka ¹ , Shinjiro Yamaguchi ³ , Akira Maekawa ⁴ , Takuya Yamada ⁵ , Masashi Yamamoto ⁶ , Shinji Kitamura ⁷ , Takuya Inoue ⁸ , Shunsuke Yamamoto ⁹ , Takashi Kizu ¹⁰ , Risato Takeda ¹¹ , Hideharu Ogiyama ¹² , Katsumi Yamamoto ¹³ , Kenji Aoi ¹⁴ , Koji Nagaike ¹⁵ , Yasutaka Sasai ¹⁶ , Satoshi Egawa ¹⁷ , Haruki Akamatsu ¹⁸ , Hiroyuki Ogawa ¹⁹ , Masato Komori ²⁰ , Akihiro Nishihara ²¹ , Tetsuo Takehara ² ¹大阪国際がんセンター消化管内科 ²大阪大学大学院医学系研究科消化器内科学 ³関西労災病院消化器内科 ⁴大阪警察病院消化器内科 ⁵大阪労災病院消化器内科 ⁶市立豊中病院消化器内科 ⁷堺市立総合医療センター消化器内科 ⁸大阪急性期・総合医療センター消化器内科 ⁹大阪医療センター消化器内科 ¹⁰八尾市立病院消化器内科 ¹¹市立伊丹病院消化器内科 ¹²市立池田病院消化器内科 ¹³JCHO大阪病院消化器内科 ¹⁴市立貝塚病院消化器内科 ¹⁵市立吹田市民病院消化器内科 ¹⁶大手前病院消化器内科 ¹⁷近畿中央病院消化器内科 ¹⁸市立東大阪医療センター消化器内科 ¹⁹西宮市立中央病院消化器内科 ²⁰兵庫県立西宮病院消化器内科 ²¹箕面市立病院消化器内科 ¹Department of Gastrointestinal Oncology, Osaka International Cancer Institute, Osaka, Japan ²Department of Gastroenterology and Hepatology, Osaka University Graduate School of Medicine, Suita, Japan ³Department of Gastroenterology, Kansai Rosai Hospital, Amagasaki, Japan ⁴Department of Internal Medicine, Osaka Police Hospital, Osaka, Japan ⁵Department of Gastroenterology, Osaka Rosai Hospital, Sakai, Japan ⁶Department of Gastroenterology, Toyonaka Municipal Hospital, Toyonaka, Japan ⁷Department of Gastroenterology, Sakai City Medical Center, Sakai, Japan ⁸Department of Gastroenterology, Osaka General Medical Center, Osaka, Japan ⁹Department of Gastroenterology, National Hospital Organization Osaka National Hospital, Osaka, Japan ¹⁰Department of Gastroenterology, Yao Municipal Hospital, Yao, Japan ¹¹Department of Gastroenterology, Itami City Hospital, Itami, Japan ¹²Department of Gastroenterology, Ikeda Municipal Hospital, Ikeda, Japan ¹³Department of Gastroenterology, Japan Community Healthcare Organization Osaka Hospital, Osaka, Japan ¹⁴Department of Gastroenterology, Kaizuka City Hospital, Kaizuka, Japan ¹⁵Department of Gastroenterology, Suita Municipal Hospital, Suita, Japan ¹⁶Department of Gastroenterology, Otemae Hospital, Osaka, Japan ¹⁷Department of Gastroenterology, Kinki Central Hospital, Itami, Japan ¹⁸Department of Gastroenterology, Higashiosaka City Medical Center, Higashiosaka, Japan ¹⁹Department of Gastroenterology, Nishinomiya Municipal Central Hospital, Nishinomiya, Japan ²⁰Department of Gastroenterology, Hyogo Prefectural Nishinomiya Hospital, Nishinomiya, Japan ²¹Department of Gastroenterology, Minoh City Hospital, Minoh, Japan キーワード：早期胃癌 , 内視鏡的粘膜下層剝離術 , リンパ節転移 , 機械学習 , ニューラルネットワーク Keyword: 早期胃癌 , 内視鏡的粘膜下層剝離術 , リンパ節転移 , 機械学習 , ニューラルネットワーク pp.1045-1049

発行日 2025年8月25日 Published Date 2025/8/25

DOI https://doi.org/10.11477/mf.053621800600081045

PDF(663KB)

有料閲覧

Abstract 文献概要
1ページ目 Look Inside
参考文献 Reference

要旨●機械学習（ニューラルネットワーク）を用いて，早期胃癌内視鏡的根治度C-2病変のリンパ節転移予測モデルを作成した．内視鏡的切除および外科的切除後，病理診断が内視鏡的根治度C-2の基準を満たした早期胃癌4,042例の臨床病理学的データを収集し，それらを訓練用コホート（3,506例）と検証用コホート（536例）に分割した．訓練用コホートを用いてリンパ節転移予測モデルを作成し，検証用コホートにおけるその予測精度（AUC）をeCura systemと比較した．モデルの学習には，病変径・主要組織型・組織型混在・深達度・リンパ管侵襲・静脈侵襲・治療法の7因子を用いた．検証用コホートにおけるAUCは，eCura systemの0.77に対し，本モデルは0.83で有意に高い結果が得られた（p＝0.006）．

　We developed a machine learning（ML）model to predict the risk of lymph node metastasis（LNM）in patients with early gastric cancer（EGC）not meeting the current Japanese endoscopic curability criteria. We used the data of 4,042 EGC patients who were histologically confirmed not to meet the abovementioned criteria. Altogether, 3,506 patients were assigned to the training cohort for developing the neural network-based ML model, and 536 patients were included in the validation cohort. The performance of our ML model, as measured by the area under the receiver operating characteristic curve（AUC）, was compared with that of the eCura system in the validation cohort. The ML model and eCura system identified patients with LNM with AUC values of 0.83 and 0.77, respectively, in the validation cohort（p＝0.006）.