臺北醫學大學病理學科教授陳志榮昨（7日）揭露北醫卵巢癌病理切片AI進展，目前已能準確識別、定位兩種肉眼難以辨識的卵巢癌腫瘤組織，也就是漿液性癌和子宮內膜樣，可幫助醫生加速判讀和制定醫療策略。這套AI模型的敏感度和特異性分別達0.93和0.96以上，未來，北醫打算擴大醫院訓練資料的採樣範圍，以更多元的訓練和驗證資料，來優化模型。

卵巢癌發生率節節上升，醫生得格外小心判斷高相似度的兩種亞型

北醫3年前開始接觸數位病理AI，聚焦領域也從胸腔腫瘤轉移至近來的卵巢癌。卵巢癌號稱女性的沈默殺手，衛福部統計，臺灣卵巢癌發生率占女性十大癌症的第七位，近年更節節上升。陳志榮指出，常見的卵巢癌可分為四種亞型，包括漿液性癌（Serous Carcinoma）、子宮內膜樣癌（Endometrioid Carcinoma）、亮細胞癌（Clear Cell Carcinoma）、黏液性癌（Mucinous Carcinoma）。
為辨識卵巢癌類型，醫生得先進行病理切片，再透過顯微鏡或電腦來觀察玻片上的細胞組織型態。陳志榮指出，亮細胞癌和黏液性癌的病理組織型態特殊、容易診斷，但是，漿液性癌和子宮內膜樣癌就沒那麼簡單了。

它們的腫瘤組織結構相似，細胞型態也可能類似，而且，就算透過免疫組織化學染色的蛋白質標記表現，也不具完全的決定性。所以，病理醫生在診斷漿液性癌和子宮內膜癌時，「就得格外小心；」特別是遇到分化不良（高惡性度）的漿液性癌和子宮內膜樣癌，病理醫生難以從形態學和免疫組織化學染色找到足夠證據，還得請教婦癌病理醫生。

這麼小心是因為，這兩種亞型基因型態、臨床表現不同，相對應的治療策略和病人預後也會有所不同。

收集北醫卵巢癌病理切片打造AI，AUC最高達0.994

因此，陳志榮想建立AI辨識模型，來判別這兩種亞型。於是，他與團隊收集了北醫附醫病理科的卵巢癌病例，將病例玻片掃描、數位化後，再從中挑選漿液性癌和子宮內膜樣癌案例，「總共200張片子。」

接著，他們用其中的180張來訓練模型，以另外20張來測試、驗證。過程中，他們請5位病理醫生標註200張病理切片，包括良性腫瘤、漿液性腫瘤和子宮內膜樣腫瘤，並將影像切割為471um x 471um大小，來訓練模型。之後，模型會根據這些影像，來標示三種腫瘤區域和發生機率。

再來，團隊從幾個訓練模型中，挑出表現最好的一個，來進行驗證。陳志榮指出，雖然只利用180張片子來訓練，但「AI模型已有不錯的表現。」因為，模型對漿液性癌和子宮內膜樣癌的敏感度，分別達到0.995和0.933，其特異性更分別達到0.997和0.966。

而且，就分類效能指標AUC值來說，模型良性腫瘤的AUC值已達最高值1.000，對漿液性癌的AUC值則是0.991，對子宮內膜樣癌則達0.994。

不過，陳志榮指出，模型還是有預測不佳的狀況，比如將子宮內膜樣癌，判斷為漿液性癌。

再接再厲，要讓模型具備更細緻的判斷能力

不只要會辨識兩種卵巢癌亞型，陳志榮還進一步，想讓模型具備更細緻的腫瘤結構判斷能力，也就是說，模型還要會分辨兩種亞型，是否為實質固態瘤或非實質固態瘤（Solid and non-solid）。

他同樣以200張數位病理切片作為資料集，只是在標註上，多了漿液性癌實質固態瘤與非實質固態瘤，以及子宮內膜樣癌（非）實質固態瘤。經測試，模型準確率為0.888，良性腫瘤AUC值依然為1.000，而漿液性癌-實質固態瘤的AUC值為0.989，非實質固態瘤則是0.970；子宮內膜樣癌-實質固態瘤的AUC值是0.979，非實質固態瘤則是0.936。

他坦言，雖然有些AUC值還可以更好，但模型在預測上也有不錯的表現，比如醫生原本將影像標註為子宮內膜樣癌-實質固態瘤，但模型判斷為漿液性癌-實質固態瘤，團隊與醫生討論後，發現確實應為漿液性癌-實質固態瘤，顯示「模型可正確分類。」

未來要擴大資料多元性，還得思考如何與臨床結合

「由此可見，在樣本數不多的情況下，還是能訓練出可辨識腫瘤組織結構的AI，」陳志榮還指出，而且，要讓模型分辨亞型細節，也是可行的。

他也希望，未來能將北醫另外兩家體系醫院納入訓練作業，來增加訓練和驗證資料的多元性；同時也想再賦予模型判斷基因型態的能力。文◎王若樸

昕奇雲端專業團隊取得眾多AWS原廠認證證書，有足夠能力協助各類產業部署雲端環境，並能針對客戶需求提出專業建議及全球化視野的雲端解決方案，以滿足客戶多元的雲端需求，讓企業除了使用服務以外，不用再額外獨自費力去面對複雜難懂的各類程序。