Image recognition using artificial intelligence with deep learning through convolutional neural networks (CNNs) has dramatically improved and been increasingly applied to medical fields for diagnostic imaging. We developed a CNN that can automatically detect gastric cancer in endoscopic images. A CNN-based diagnostic system was constructed based on Single Shot MultiBox Detector architecture and trained using 13,584 endoscopic images of gastric cancer. To evaluate the diagnostic accuracy, an independent test set of 2296 stomach images collected from 69 consecutive patients with 77 gastric cancer lesions was applied to the constructed CNN. The CNN required 47 s to analyze 2296 test images. The CNN correctly diagnosed 71 of 77 gastric cancer lesions with an overall sensitivity of 92.2%, and 161 non-cancerous lesions were detected as gastric cancer, resulting in a positive predictive value of 30.6%. Seventy of the 71 lesions (98.6%) with a diameter of 6 mm or more as well as all invasive cancers were correctly detected. All missed lesions were superficially depressed and differentiated-type intramucosal cancers that were difficult to distinguish from gastritis even for experienced endoscopists. Nearly half of the false-positive lesions were gastritis with changes in color tone or an irregular mucosal surface. The constructed CNN system for detecting gastric cancer could process numerous stored endoscopic images in a very short time with a clinically relevant diagnostic ability. It may be well applicable to daily clinical practice to reduce the burden of endoscopists.

Endoscopic resection (ER) has been accepted as minimally invasive treatment in patients with early gastric cancer (EGC) who have a negligible risk of lymph node metastasis. It has already been determined which lesions in differentiated-type EGC present a negligible risk of lymph node metastasis, and ER is being performed for these lesions. In contrast, no consensus has been reached on which lesions in undifferentiated-type (UD-type) EGC present a negligible risk for lymph node metastasis, nor have indications for ER for UD-type EGC been established.We investigated 3843 patients who had undergone gastrectomy with lymph node dissection for solitary UD-type EGC at the Cancer Institute Hospital, Tokyo, and the National Cancer Center Hospital, Tokyo. Seven clinicopathological factors were assessed for their possible association with lymph node metastasis.Of the 3843 patients, 2163 (56.3%) had intramucosal cancers and 1680 (43.7%) had submucosal invasive cancers. Only 105 (4.9%) intramucosal cancers compared with 399 (23.8%) submucosal invasive cancers were associated with lymph node metastases. By multivariate analysis, tumor size 21 mm or more, lymphatic-vascular capillary involvement, and submucosal penetration were independent risk factors for lymph node metastasis (P < 0.001, respectively). None of the 310 intramucosal cancers 20 mm or less in size without lymphatic- vascular capillary involvement and ulcerative findings was associated with lymph node metastases (95% confidence interval, 0-0.96%).UD-type intramucosal EGC 20 mm or less in size without lymphatic-vascular capillary involvement and ulcerative findings presents a negligible risk of lymph node metastasis. We propose that in this circumstance ER could be considered.

The reported outcomes of endoscopic resection (ER) for early gastric cancer (EGC) remain limited to several single-institution studies. A multicenter retrospective study was conducted at 11 Japanese institutions concerning their results for ER, including conventional endoscopic mucosal resection (EMR) and endoscopic submucosal dissection (ESD). A total of 714 EGCs (EMR, 411; ESD, 303) in 655 consecutive patients were treated from January to December 2001. Technically, 511 of the 714 (71.6%) lesions were resected in one piece. The rate of one-piece resection with ESD (92.7%; 281/303) was significantly higher compared with that for EMR (56.0%; 230/411). Histologically, curative resection was found in 474 (66.3%) lesions. The rate of curative resection with ESD (73.6%; 223/303) was significantly higher compared with that for EMR (61.1%; 251/411). Blood transfusion because of bleeding was required in only 1 patient (0.1%) with EMR of 714 lesions. Perforation was found in 16 (2.2%). The incidence of perforation with ESD (3.6%; 11/303) was significantly higher than that with EMR (1.2%; 5/411). All complications were managed endoscopically, and there was no procedure-related mortality. The median follow-up period was 3.2 years (range, 0.5–5.0 years). In total, the 3-year cumulative residual-free/recurrence-free rate and the 3-year overall survival rate were 94.4% and 99.2%, respectively. The 3-year cumulative residual-free/recurrence-free rate in the ESD group (97.6%) was significantly higher than that in the EMR group (92.5%). ER leads to an excellent 3-year survival in clinical practice and could be a possible standard treatment for EGC. ESD has the advantage of achieving one-piece resection and reducing local residual or recurrent tumor.

The growth type of early colorectal carcinoma was classified into two types. The first type is intramucosal polypoid growth (PG-Ca) and the second type nonpolypoid growth (NPG-Ca) which shows mainly massive infiltration of tumor cells below the submucosal layer. The incidence of adenoma-carcinoma sequence was 72 of 75 lesions (96.0%) in pedunculated polypoid carcinoma, and 61 of 71 lesions (85.9%) in sessile and broad-based polypoid carcinomas. Their average sizes were 15.0 and 18.7 mm, respectively. Submucosal invasive carcinoma (SM-Ca) showed a low incidence. They were detected as microscopical or scattered lesions with a few lymphatic and venous permeation. The NPG-Ca contained 32 lesions. Intramucosal carcinoma without adenoma showing slight depression consisted of ten lesions of which the average size was 5.1 mm. The other 22 lesions showed massive submucosal invasion with marked lymphatic and venous permeation. The average size was 10.3 mm being smaller than PG-Ca. Histologically, NPG-Ca was not accompanied with adenoma. The NPG-Ca arose from de novo carcinoma less than 10 mm in diameter and invaded into the submucosal layer. In advanced carcinoma, the PG-Ca showed a low incidence (21.8%), and almost all cases were of the NPG type (78.2%). The NPG advanced carcinomas increased in those over the size of 20 mm. It is concluded that nonpolypoid early colorectal carcinomas easily progress to advanced carcinoma, and de novo carcinoma occupied about 80% of colorectal carcinoma.

Background and AimsThe prognosis of esophageal cancer is relatively poor. Patients are usually diagnosed at an advanced stage when it is often too late for effective treatment. Recently, artificial intelligence (AI) using deep learning has made remarkable progress in medicine. However, there are no reports on its application for diagnosing esophageal cancer. Here, we demonstrate the diagnostic ability of AI to detect esophageal cancer including squamous cell carcinoma and adenocarcinoma.MethodsWe retrospectively collected 8428 training images of esophageal cancer from 384 patients at the Cancer Institute Hospital, Japan. Using these, we developed deep learning through convolutional neural networks (CNNs). We also prepared 1118 test images for 47 patients with 49 esophageal cancers and 50 patients without esophageal cancer to evaluate the diagnostic accuracy.ResultsThe CNN took 27 seconds to analyze 1118 test images and correctly detected esophageal cancer cases with a sensitivity of 98%. CNN could detect all 7 small cancer lesions less than 10 mm in size. Although the positive predictive value for each image was 40%, misdiagnosing shadows and normal structures led to a negative predictive value of 95%. The CNN could distinguish superficial esophageal cancer from advanced cancer with an accuracy of 98%.ConclusionsThe constructed CNN system for detecting esophageal cancer can analyze stored endoscopic images in a short time with high sensitivity. However, more training would lead to higher diagnostic accuracy. This system can facilitate early detection in practice, leading to a better prognosis in the near future. The prognosis of esophageal cancer is relatively poor. Patients are usually diagnosed at an advanced stage when it is often too late for effective treatment. Recently, artificial intelligence (AI) using deep learning has made remarkable progress in medicine. However, there are no reports on its application for diagnosing esophageal cancer. Here, we demonstrate the diagnostic ability of AI to detect esophageal cancer including squamous cell carcinoma and adenocarcinoma. We retrospectively collected 8428 training images of esophageal cancer from 384 patients at the Cancer Institute Hospital, Japan. Using these, we developed deep learning through convolutional neural networks (CNNs). We also prepared 1118 test images for 47 patients with 49 esophageal cancers and 50 patients without esophageal cancer to evaluate the diagnostic accuracy. The CNN took 27 seconds to analyze 1118 test images and correctly detected esophageal cancer cases with a sensitivity of 98%. CNN could detect all 7 small cancer lesions less than 10 mm in size. Although the positive predictive value for each image was 40%, misdiagnosing shadows and normal structures led to a negative predictive value of 95%. The CNN could distinguish superficial esophageal cancer from advanced cancer with an accuracy of 98%. The constructed CNN system for detecting esophageal cancer can analyze stored endoscopic images in a short time with high sensitivity. However, more training would lead to higher diagnostic accuracy. This system can facilitate early detection in practice, leading to a better prognosis in the near future.

Introduction Accurate tumor localization and resection margin acquisition are essential in gastric cancer surgery. Preoperative placement of marking clips in laparoscopic gastrectomy as well as intraoperative gastroscopy can be used for gastric cancer surgery. However, these procedures are not available at all institutions. We conducted a prospective clinical trial to investigate the diagnostic performance of near-infrared fluorescent clips (ZEOCLIP FS) in laparoscopic gastrectomy. Materials and methods Patients with gastric cancer or neuroendocrine tumor in whom laparoscopic distal, pylorus-preserving, or proximal gastrectomy was planned were enrolled (n = 20) in this study. Fluorescent clips were placed proximal and/or distal to the tumor via gastroscopy on the day before surgery. During surgery, the clips were detected using a fluorescent laparoscope, and suturing was performed where fluorescence was detected. The clip locations were then confirmed via gastroscopy, and the stomach was transected. The primary endpoint was the detection rate of the marking clips using fluorescence, and the secondary endpoints were complications and distance between the clips and stitches. Results Among the 20 patients enrolled, distal and pylorus-preserving gastrectomies were performed in 18 and 2 patients, respectively. All clips were detected in 15 patients, indicating a detection rate of 75.0% (90% confidence interval: 54.4%-89.6%). Furthermore, no complications related to the clips were observed. The median distance between the clips and stitches was 5 (range, 0–10) mm. Conclusions We report the feasibility and safety of preoperative placement and intraoperative detection of near-infrared fluorescent marking clips in laparoscopic gastrectomy.