AIとがん研究 ── 胃がん ── 2026-10-18

胃がんの MSI を H&E 病理画像の深層学習で予測する診断精度のメタ分析。まず複数のデータベースを検索して 10 件を採用し、主解析は 6 件の 7 データセット。次に PROSPERO への登録、QUADAS-2、二変量ランダム効果モデルで評価。統合の感度は 0.78、特異度は 0.85、AUC は 0.89。病院由来は TCGA 由来より感度が 0.86 対 0.71 と高いが、研究数が少なく異質性も大きい。臨床での有用性は多施設・外部・前向き研究での確認が必要。 — イメージアブストラクト ── 記事の全体像を 1 枚に（画像を押すと拡大）

胃がん 1 本。筆頭: 胃がんのマイクロサテライト不安定性予測における深層学習の診断精度：系統的レビューとメタアナリシス

対象誌と選び方は索引の頁に

胃がんの治療・治験とAI

胃がんのマイクロサテライト不安定性予測における深層学習の診断精度：系統的レビューとメタアナリシス
Diagnostic accuracy of deep learning for microsatellite instability prediction in gastric cancer: A systematic review and meta-analysis
medRxiv · 2026-10-15 · 証拠の段階: 系統的レビュー・メタアナリシス（診断精度研究の統合）
抄録（全訳）
ヘマトキシリン・エオジン（H&E）染色の病理画像に深層学習（DL）を適用すると、胃がん（GC）のマイクロサテライト不安定性（MSI）を予測できる。本研究では、その診断精度と識別能を評価した。
PubMed、Embase、Cochrane Library、Web of Science を検索した。対象は、胃がんの MSI 予測のために H&E 画像に DL を適用した研究である。プロトコルは PROSPERO に前向きに登録した（CRD420261503140）。バイアスのリスクは QUADAS-2 で評価した。統合感度と統合特異度は、二変量ランダム効果モデルで推定した。検証方法別とデータソース別のサブグループ解析も行った。スライド単位の曲線下面積（AUC）は、ロジット変換したうえで統合した。事前に規定したシナリオ解析で、結果の頑健性を評価した。
10 件の研究を採用した。主解析には、そのうち 6 件の研究に含まれる独立した 7 データセットを用いた。統合感度は 0.78（95% 信頼区間 0.63〜0.88）、統合特異度は 0.85（95% 信頼区間 0.77〜0.90）であった。要約 ROC 曲線の AUC は 0.89（95% 信頼区間 0.86〜0.91）であった。副次的な AUC の統合には 9 件の研究が寄与し、統合 AUC は 0.85（95% 信頼区間 0.80〜0.89）であった。病院由来のコホートは、The Cancer Genome Atlas（TCGA）由来のコホートより感度と診断オッズ比が数値上高かった。感度は 0.86 対 0.71、診断オッズ比は 39.8 対 11.5 である。ただし、研究数が少なく異質性も大きいため、サブグループ間の差から言えることは限られる。
DL モデルは、胃がんの MSI 予測で良好な診断精度を示す。しかし臨床での有用性は、まだ確認が必要である。そのためには、標準化された多施設研究、独立した外部検証研究、前向き研究が求められる。
掲載誌の IF：不明（照合できず）
書誌：Du Y, Liao H, Li J, He Y, Di J. Diagnostic accuracy of deep learning for microsatellite instability prediction in gastric cancer: A systematic review and meta-analysis. medRxiv. 2026 Oct 15 [Epub ahead of print]. doi:10.64898/2026.10.12.26365351.
確認の範囲：抄録のみ確認

← この号の目次へ