北医打造卵巢癌辨识AI，要帮医生快速揪出女性沉默杀手

台北医学大学病理学科教授陈志荣昨（7日）揭露北医卵巢癌病理切片AI进展，目前已能准确识别、定位两种肉眼难以辨识的卵巢癌肿瘤组织，也就是浆液性癌和子宫内膜样，可帮助医生加速判读和制定医疗策略。这套AI模型的敏感度和特异性分别达0.93和0.96以上，未来，北医打算扩大医院训练资料的采样范围，以更多元的训练和验证资料，来优化模型。

卵巢癌发生率节节上升，医生得格外小心判断高相似度的两种亚型

北医3年前开始接触数位病理AI，聚焦领域也从胸腔肿瘤转移至近来的卵巢癌。卵巢癌号称女性的沉默杀手，卫福部统计，台湾卵巢癌发生率占女性十大癌症的第七位，近年更节节上升。陈志荣指出，常见的卵巢癌可分为四种亚型，包括浆液性癌（Serous Carcinoma）、子宫内膜样癌（Endometrioid Carcinoma）、亮细胞癌（Clear Cell Carcinoma）、黏液性癌（Mucinous Carcinoma）。
为辨识卵巢癌类型，医生得先进行病理切片，再透过显微镜或电脑来观察玻片上的细胞组织型态。陈志荣指出，亮细胞癌和黏液性癌的病理组织型态特殊、容易诊断，但是，浆液性癌和子宫内膜样癌就没那么简单了。

它们的肿瘤组织结构相似，细胞型态也可能类似，而且，就算透过免疫组织化学染色的蛋白质标记表现，也不具完全的决定性。所以，病理医生在诊断浆液性癌和子宫内膜癌时，“就得格外小心；”特别是遇到分化不良（高恶性度）的浆液性癌和子宫内膜样癌，病理医生难以从形态学和免疫组织化学染色找到足够证据，还得请教妇癌病理医生。

这么小心是因为，这两种亚型基因型态、临床表现不同，相对应的治疗策略和病人预后也会有所不同。

收集北医卵巢癌病理切片打造AI，AUC最高达0.994

因此，陈志荣想建立AI辨识模型，来判别这两种亚型。于是，他与团队收集了北医附医病理科的卵巢癌病例，将病例玻片扫描、数字化后，再从中挑选浆液性癌和子宫内膜样癌案例，“总共200张片子。”

接着，他们用其中的180张来训练模型，以另外20张来测试、验证。过程中，他们请5位病理医生标注200张病理切片，包括良性肿瘤、浆液性肿瘤和子宫内膜样肿瘤，并将影像切割为471um x 471um大小，来训练模型。之后，模型会根据这些影像，来标示三种肿瘤区域和发生概率。

再来，团队从几个训练模型中，挑出表现最好的一个，来进行验证。陈志荣指出，虽然只利用180张片子来训练，但“AI模型已有不错的表现。”因为，模型对浆液性癌和子宫内膜样癌的敏感度，分别达到0.995和0.933，其特异性更分别达到0.997和0.966。

而且，就分类效能指标AUC值来说，模型良性肿瘤的AUC值已达最高值1.000，对浆液性癌的AUC值则是0.991，对子宫内膜样癌则达0.994。

不过，陈志荣指出，模型还是有预测不佳的状况，比如将子宫内膜样癌，判断为浆液性癌。

再接再厉，要让模型具备更细致的判断能力

不只要会辨识两种卵巢癌亚型，陈志荣还进一步，想让模型具备更细致的肿瘤结构判断能力，也就是说，模型还要会分辨两种亚型，是否为实质固态瘤或非实质固态瘤（Solid and non-solid）。

他同样以200张数位病理切片作为资料集，只是在标注上，多了浆液性癌实质固态瘤与非实质固态瘤，以及子宫内膜样癌（非）实质固态瘤。经测试，模型准确率为0.888，良性肿瘤AUC值依然为1.000，而浆液性癌-实质固态瘤的AUC值为0.989，非实质固态瘤则是0.970；子宫内膜样癌-实质固态瘤的AUC值是0.979，非实质固态瘤则是0.936。

他坦言，虽然有些AUC值还可以更好，但模型在预测上也有不错的表现，比如医生原本将影像标注为子宫内膜样癌-实质固态瘤，但模型判断为浆液性癌-实质固态瘤，团队与医生讨论后，发现确实应为浆液性癌-实质固态瘤，显示“模型可正确分类。”

未来要扩大资料多元性，还得思考如何与临床结合

“由此可见，在样本数不多的情况下，还是能训练出可辨识肿瘤组织结构的AI，”陈志荣还指出，而且，要让模型分辨亚型细节，也是可行的。

他也希望，未来能将北医另外两家体系医院纳入训练作业，来增加训练和验证资料的多元性；同时也想再赋予模型判断基因型态的能力。文◎王若朴