多年來，醫療領域已有許多成功的 AI 應用案例，其中尤以形態辨識為基礎的血液病理診斷，最能發揮 AI 所長與效益。為了打破長期以來血液腫瘤人工判讀與診斷不易的困境，台灣諾華、雲象科技與林口長庚醫院三方跨界攜手運用 AI 深度學習技術，打造「血液病理 AI 輔助判讀應用」，讓有「最難診斷血液疾病」之稱的 MPN 骨髓增生性腫瘤病人能獲得高效、精準的及時診斷與治療。
骨髓增生性腫瘤（Myeloproliferative Neoplasm, MPN）是一組罕見血液疾病的統稱，會導致骨髓中產生過量的紅血球、白血球或血小板。MPN 大致分成三大類疾病：真性紅血球增多症（PV，又稱多血症）、原發性血小板增多症（ET）、原發性骨髓纖維化（PMF）。其中，PMF 又分成早期原發性骨髓纖維化（prePMF）及顯著原發性骨髓纖維化（Overt PMF），所以世界衛生組織在 2016 年明確劃分成四大類。
MPN 三大治療重點：減少併發症、延緩惡化與提升存活率
林口長庚醫院血液科醫師郭明宗表示，以國外而言，PV 致病率是每 10 萬人口 0.8 人，ET 是每 10 萬人口約 2 人、PMF 每 10 萬人口 0.5 人。根據 2017 年衛福部統計數據指出，國內總 MPN 病例數約 500 多例。由此可見，MPN 雖未達罕見疾病程度，但也屬相當少見的惡性病。
撇開 4 種 MPN 疾病必須施以不同預後及治療方式不談，由於 MPN 無明顯可觸及的腫塊、缺乏明顯的特異性症狀，而多半出現臉潮紅、夜間盜汗、皮膚搔癢、疲憊、無力、頭痛或因脾臟腫大引起的胃口變差等常見症狀，至於 ET 甚至幾乎沒有明顯症狀，這些無疑都形成診斷上的困難，甚至造成誤診。例如在世衛組織明確分類之前，就有多達 20% 的早期 PMF 患者被診斷成 ET。
郭明宗進一步表示，雖然目前已知 MPN 和 3 種基因突變有關，但確切的罹病原因依舊不明，而且也沒有明確的好發族群。原則上，MPN 患者無法治癒，所以減少併發症、延緩惡化與提升存活率是 MPN 的三大治療原則與重點。特別要提醒的是，PV 與 ET 患者會逐步走向骨髓纖維化期，並有可能最終進入「白血病期」（亦即血癌期）。此外，PV 患症若沒有提早介入治療，約有 4 成的人會因腦中風、心肌梗塞等血管栓塞併發症而死亡，所以及時診斷與早期治療非常重要。
林口長庚實現病理玻片全面數位化，打造 38 萬片數位玻片資料庫
目前針對 MPN 的理學檢查，主要分成基因檢測與骨髓檢查，其中，骨髓檢查更是釐清 MPN 種類的關鍵做法。林口長庚醫院解剖病理部副主任莊文郁表示，ET 和早期 PMF 的臨床症狀表現幾乎一樣，只有透過骨髓切片的判讀才能明顯看出差別。但骨髓切片判讀的難度與複雜度極高，並非所有病理醫師都能做到，這部分會交由血液病理次專科醫師，根據造血細胞的數量及型態，尤其是巨核細胞的形態特徵、數量及空間分布進行專業判讀，然後再與血液科醫師一同進行討論，才能得出精準的診斷結果。
由於台灣具備 MPN 專業判讀能力與經驗的病理醫師較少，更凸顯出國內 MPN 篩檢能量不足的隱憂，如何加速這方面的判讀與篩檢效能，已成當務之急。這次台灣諾華、雲象科技與林口長庚醫院的跨界合作，同時集結三家在長期血液腫瘤研發治療經驗、AI 技術應用實力與龐大數位病理資料庫的優勢，為全面提升台灣血液腫瘤的篩檢能量與效率找到最佳解決之道。
莊文郁強調指出，林口長庚醫院在 MPN 血液疾病權威教授施麗雲的帶領下，累積非常齊全的 MPN 臨床病例資料與分子檢測資料。更進一步的是，該院打從 2020 年年初開始便展開病理玻片數位化作業，並於 2020 年年中完成全面數位化工程，目前數位化玻片共累積超過 38 萬片，相關醫師從此可以方便、快速地透過雲象科技數位病理系統，進行跨越 5 個院區的玻片搜尋、檢閱與管理工作。這個完備的資料庫也成為林口長庚醫院成功為 MPN 判讀導入 AI 輔助模型的最大籌碼。
發揮 AI 強大輔助判讀作用，實現及時診斷與治療效益
「血液病理 AI 輔助判讀應用」是一個為期兩年（到 2023 年 4 月為止）的專案，旨在透過 AI 深度學習技術的導入，建立可以輔助醫師高效精準判讀 MPN 的檢測工具與模型，進而實現及時診斷與治療效益。在為骨髓病理切片影像進行深度學習的過程中，必須將品質不良的切片去除，以免對深度學習的訓練結果造成負面影響。
此外，還要對影像中的特定位置與病灶區域進行圈選標註，才能讓 AI 學會如何判讀，但這個標註的動作也成了拖慢整個進度的最大元兇。莊文郁團隊嘗試透過各種方式，包括細胞量檢視、M:E Ratio（骨髓群系與紅血球群系的相對比例）檢視及全玻片影像（Whole Slide image, WSI）深度學習等方式，訓練出 AI 自動標註模型，進而加速整個數位玻片深度學習的訓練進度與建模進程。
AI 技術導入的效益有目共睹，不但能大幅減輕林口長庚每月上萬筆病理玻片判讀的負荷，並有效解決人工判讀難以客觀量化的問題，且弭平不同醫師主觀診斷上的差異。「雖然骨髓切片的判讀速度與玻片大小成反比，但基本上 AI 模型能減少一半的時間，」莊文郁滿意地指出。儘管現階段 AI 技術在病理診斷上仍無法完全取代人工判讀，但卻能發揮強大的輔助作用，一方面讓資深病理醫師的判讀效率與精準度大增，一方面也能協助經驗不足的醫師進行基本的臨床判斷，進而提升國內血液腫瘤疾病的整體篩檢能量。
這次三家的跨界合作，可謂 AI 導入血液腫瘤判讀的初試啼聲，目前 AI 判讀模型仍處研究階段，隨著更多實際臨床上的應用，勢必會激盪出更多 MPN 判讀突破的可能性。三家合作的成果結晶，也呼應了諾華的企業宗旨：「重新創想醫藥未來以改善並延長人們的生命」，達成血液腫瘤及早發現、及早治療的使命，進而實現全面改善患者生活品質與延長壽命的終極目標。（本衛教資訊由台灣諾華協助提供 TW2201255789）
（首圖來源：Shutterstock）
科技新報粉絲團
加入好友
訂閱免費電子報
