内視鏡蛍光灌流解析による直腸新生物の人工知能分類

患者と医師にとっての意義

大きな直腸ポリープを持つ人にとって最大の疑問の一つは、その増殖が無害なのか、すでにがんに進展しているのかという点です。現在、多くの場合、医師は病変全体を除去して病理診断するまで確信できず、その結果、必要以上に大規模な手術が行われたり、治療が遅れたりすることがあります。本研究は、血流の様子を観察する蛍光イメージングと人工知能を組み合わせることで、処置中に隠れたがんを検出できるかどうかを探っています。

腫瘍への血液の供給を聞き取る

がんは正常組織と同じようには成長しません。がんは新生血管を刺激し、それらは漏れやすく、非組織化された枝分かれをします。こうした変化は、血液や注入した色素が腫瘍内を流入・流出する際に特徴的なパターンを生み出します。研究者らは近赤外光で光るインドシアニングリーンという色素を用い、直腸の大きなポリープや早期直腸がんの患者の内視鏡手術中に短い動画を記録しました。数分間にわたる発光の明るさの変化を追うことで、同一患者内の疑わしい部位と健康な部位の双方について「灌流の指紋」のようなものを捉えることができました。

発光パターンをデータへ変換する

各動画は専用ソフトで解析され、腸壁の見えている領域を細かい正方形のグリッドに分割してカメラや組織が動いても追跡しました。各マス目について、蛍光がどれだけ明るくなったか、ピークに達する速さ、減衰の速さを測定しました。次にこれらの曲線を整え正規化して直接比較できるようにしました。時間変化のトレースから、最大信号やピーク後の特定時点での信号低下などの単純な数値特徴を抽出しました。また、異常領域内でこれらの値がどれほど不均一かを、周囲の健康組織と比較する変動を捉える統計量を使って調べました。

人工知能の学習

研究グループは4か国6病院で治療を受けた182人の患者から得た190本の動画を解析しました。最終的に顕微鏡診断でがんと確認された患者は約5割強でした。彼らは色素の流れに関する特徴のみを用いて良性とがん性病変を区別する機械学習モデル（XGBoost分類器）を訓練し、通常の色情報画像は使いませんでした。新しい症例に適用したところ、モデルは多くの患者でがんを正しく識別し、内視鏡生検や術前MRI、専門外科医の視診と同等かやや優れる成績を示しました。

現実の臨床情報を加える

実臨床では医師が単一の検査に頼ることはまれです。したがって研究者らはAIの出力に既に利用可能な情報、すなわちMRI報告や手術担当医の判断を組み合わせました。これらを同じ解析パイプラインに入力すると、特に良性病変で誤診を減らしながらがん検出能が向上しました。最良のシナリオでは、統合システムは約86%のがんを検出し、非がん症例の約71%で誤警報を回避しました。局所切除が可能な早期病変に多い患者群でも、この手法は比較的良好に機能しました。

将来のケアにとっての意味

本研究は、大きな直腸ポリープのがんが血流や色素の流れに検出可能な署名を残し、その署名をAIが自動的に捉えられることを示しています。これまでの作業は記録済み動画に対するもので、リアルタイムの臨床試験で証明される必要がありますが、将来的には内視鏡検査中に一見無害に見えるポリープが浸潤性がんを隠している可能性があるとコロンスコピー担当医に警告することが考えられます。その情報は生検の部位選定、病変の局所切除の可否、より広範な手術への紹介判断を導き、見逃しがんと不必要な大手術の双方を減らすのに役立つでしょう。

引用: Boland, P.A., MacAonghusa, P., Singaravelu, A. et al. Artificial intelligence classification of rectal neoplasia by endoscopic fluorescence perfusion analysis. Sci Rep 16, 4761 (2026). https://doi.org/10.1038/s41598-026-35233-x

キーワード: 直腸がん, 内視鏡イメージング, 蛍光灌流, 人工知能, 機械学習