機械学習は早期口腔舌扁平上皮癌におけるリンパ節転移を予測する

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

J. Oral Maxillofac. Surg..2020 Jun;S0278-2391(20)30589-9. doi: 10.1016/j.joms.2020.06.015.Epub 2020-06-13.

機械学習は早期口腔舌扁平上皮癌におけるリンパ節転移を予測する

Machine Learning Predicts Lymph Node Metastasis in Early-Stage Oral Tongue Squamous Cell Carcinoma.

Jie Shan
Rui Jiang
Xin Chen
Yi Zhong
Wei Zhang
Lizhe Xie
Jie Cheng
Hongbing Jiang

PMID: 32649894 DOI: 10.1016/j.joms.2020.06.015.

抄録

目的:

早期口腔舌扁平上皮癌（OTSCC）は，頸部リンパ節への転移率が20～50％である．本研究では、早期（cT1N0～cT2N0）の口腔粘膜扁平上皮癌（OTSCC）の手術前後のリンパ節転移の発生を予測する4つの機械学習（ML）モデルを構築し、検証することを目的とした。

PURPOSE: Early-stage oral tongue squamous cell cancer (OTSCC) has a rate of metastasis to the cervical lymph nodes of 20 to 50%. This study aimed to build and validate 4 machine learning (ML) models to predict the occurrence of lymph node metastasis before and after surgery for early-stage (cT1N0 to cT2N0) OTSCC.

材料と方法:

レトロスペクティブな横断的研究を計画し、早期の OTSCC 患者の臨床記録と病理学的記録をレビューした。サンプルは、結節の状態が異なる2つのグループ（陽性または陰性）から構成され、トレーニングセット（70％）とテストセット（30％）に無作為に分割された。早期OTSCCの病理学的結節転移の予測には、一般的な4つのMLアルゴリズム（ロジスティック回帰、ランダムフォレスト、サポートベクターマシン、ナイーブベイズ）を用いた。これらのモデルと、浸潤深さ（DOI）、好中球対リンパ球比（NLR）、腫瘍芽生えを含む従来の手法の性能を評価するために、受信機操作特性曲線下面積（AUC）、感度、特異度を用いた。

MATERIALS AND METHODS: We designed a retrospective cross-sectional study and reviewed the clinical and pathologic records of patients with early-stage OTSCC. The sample was composed of 2 groups with different node status (positive or negative) and was randomly split into training (70%) and testing (30%) sets. Four common ML algorithms-logistic regression, random forest, support vector machine, and naive Bayes-were used to predict pathologic nodal metastasis of early-stage OTSCC. The area under the receiver operating characteristic curve (AUC), sensitivity, and specificity were used to assess the performance of these models and conventional methods including depth of invasion (DOI), neutrophil-to-lymphocyte ratio (NLR), and tumor budding.

結果:

本研究では、合計 145 例（リンパ節転移陽性 56 例、リンパ節転移陰性 89 例）を対象とした。MLモデルの性能は従来の予測法に比べて有意に優れていた。ランダムフォレストモデルが最も優れた性能を示し（AUC、0.786、感度85％、特異度75％）、NLRの性能を上回った（AUC、0.539、感度53.6％、特異度53.9％、P=.003）。956；感度100％；特異度87.5％）、腫瘍芽出し（AUC、0.830；感度80.9％；特異度87.5％、P=.002）、DOI（AUC、0.613；感度91.1％；特異度31.5％；P<.001）、NLRの一変量評価よりも優れていた。

RESULTS: A total of 145 patients (56 with positive and 89 with negative lymph nodes) were included in this study. The performance of ML models was significantly superior to that of conventional prediction methods. The random forest model performed best (AUC, 0.786; sensitivity, 85%; specificity, 75%) and exceeded the performance of NLR (AUC, 0.539; sensitivity, 53.6%; specificity, 53.9%; P = .003). When DOI, worst pattern of invasion, lymphocytic host response, and tumor budding were added to model analysis according to patients' postoperative pathologic records, the support vector machine model performed best (AUC, 0.956; sensitivity, 100%; specificity, 87.5%) and was superior to univariate assessment of tumor budding (AUC, 0.830; sensitivity, 80.9%; specificity, 87.5%, P = .002), DOI (AUC, 0.613; sensitivity, 91.1%; specificity, 31.5%; P < .001), and NLR.

結論:

ML は早期 OTSCC のリンパ節転移の予測において，従来の DOI，NLR，腫瘍芽生えの予測法よりも優れた性能を示した．

CONCLUSIONS: ML shows a better performance in predicting lymph node metastasis of early-stage OTSCC than conventional prediction methods of DOI, NLR, or tumor budding.