講演情報
[WS1-4]自動機械学習Fast and Lightweight AutoML (FLAML)を用いた直腸癌側方リンパ節転移予測モデルの構築
大矢 浩貴1, 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.横浜市立大学医学部消化器・腫瘍外科学, 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.