Presentation Information
[WS1-4]Development of a Predictive Model for Lateral Lymph Node Metastasis in Rectal Cancer Using Fast and Lightweight Automated Machine Learning (FLAML)
Hiroki Ohya1, 小澤 真由美1, 舩津屋 拓人1, 田中 宗伸1, 大坊 侑1, 酒井 淳1, 福岡 宏倫1, 田 鍾寛1, 諏訪 雄亮2, 諏訪 宏和3, 渡邉 純4, 遠藤 格1 (1.Department of Gastroenterological Surgery, Yokohama City University Graduate School of Medicine, 2.横浜市立大学附属市民総合医療センター消化器病センター外科, 3.横須賀共済病院外科, 4.関西医科大学下部消化管外科学講座)
【背景】 側方郭清はcT3以深の下部直腸癌に推奨されているが, 術前の側方リンパ節転移(LLNM)診断基準は確立されていない. 本研究では自動機械学習FLAMLを用いて予測モデルを構築し, 説明可能AI (XAI)技術を併用して解釈性を高めることを目的とした.
【方法】 2008年から2022年に当教室関連3施設で側方郭清を施行された517例を対象とし, 3:1:1でTrain/Validation/Testに層化分割した(Hold out). 特徴量は, 性別, CEA, CA19_9, 腫瘍歯状線間距離, 腫瘍径, 組織型, cT, cN(paracolic)5mm以上個数, cLLN5mm以上個数, cLLN7mm以上の有無, cM, 術前治療の有無を使用し, XGBoost、LightGBM、Random Forest、CatBoostをFLAMLに投入した. SHapley Additive exPlanations (SHAP)で選択した特徴量に基づき最良モデルを構築した. 連続変数は部分依存プロット(PDP)/個別条件付き期待プロット(ICE plot)を用いて解析した.
【結果】 pLLNM陽性は114例(22%)であった. SHAPにより特徴量重要度を算出し, ValidationにおけるROC-AUCと投入特徴量数でプロットした性能曲線から, 7特徴量以上でモデル性能が高く安定していることが示されたため, 上位7特徴量（cLLN≧7mmの有無, CA19-9, cLLN≧5mm個数, cM1, CEA, 腫瘍径, cT）を選択し, XGBoostが最良と判定された. TestにおけるAUC 0.79, 精度0.81, 感度0.65, 特異度0.85を示し, PDP/ICE plotでは閾値と飽和点が示唆された.
【結論】 FLAMLとXAIを併用したLLNM予測モデルは術前因子からの高精度予測が可能であり, 特異度の高さから郭清省略の判断支援に寄与する.
【方法】 2008年から2022年に当教室関連3施設で側方郭清を施行された517例を対象とし, 3:1:1でTrain/Validation/Testに層化分割した(Hold out). 特徴量は, 性別, CEA, CA19_9, 腫瘍歯状線間距離, 腫瘍径, 組織型, cT, cN(paracolic)5mm以上個数, cLLN5mm以上個数, cLLN7mm以上の有無, cM, 術前治療の有無を使用し, XGBoost、LightGBM、Random Forest、CatBoostをFLAMLに投入した. SHapley Additive exPlanations (SHAP)で選択した特徴量に基づき最良モデルを構築した. 連続変数は部分依存プロット(PDP)/個別条件付き期待プロット(ICE plot)を用いて解析した.
【結果】 pLLNM陽性は114例(22%)であった. SHAPにより特徴量重要度を算出し, ValidationにおけるROC-AUCと投入特徴量数でプロットした性能曲線から, 7特徴量以上でモデル性能が高く安定していることが示されたため, 上位7特徴量（cLLN≧7mmの有無, CA19-9, cLLN≧5mm個数, cM1, CEA, 腫瘍径, cT）を選択し, XGBoostが最良と判定された. TestにおけるAUC 0.79, 精度0.81, 感度0.65, 特異度0.85を示し, PDP/ICE plotでは閾値と飽和点が示唆された.
【結論】 FLAMLとXAIを併用したLLNM予測モデルは術前因子からの高精度予測が可能であり, 特異度の高さから郭清省略の判断支援に寄与する.