引領血液病理 AI 判讀新紀元,諾華、林口長庚、雲象聯手提升台灣血液腫瘤篩檢能量

作者 | 發布日期 2022 年 02 月 08 日 8:00 | 分類 醫療科技 Telegram share ! follow us in feedly


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)