健康醫療

乳癌是女性最常見的惡性腫瘤，在歐美，乳癌占婦女癌症第一位，在台灣地區，乳癌的發生率與死亡率也有逐年增加的趨勢。乳癌篩檢方式目前主要有自我檢查、乳房 X 光攝影、乳房超音波、乳房磁振造影、乳癌癌症因子篩檢 (CA153、CEA) 等，各有優缺點，需相輔相成。其中，乳房 X 光攝影的靈敏度高、普及率高，但在判讀 X 光照片時，常會因為重疊了許多緻密的乳腺組織，使得癌變部位被掩蓋住而不易辨別。

Google Health 與 DeepMind 的研究人員最近在《Nature》上發表了他們的最新成果。研究中，他們使用了共 28,953 位婦女的乳房 X 光照片來訓練 AI 系統，並以此系統來鑑定其他新加入的 X 光照片。被此 AI 系統判定罹患乳腺癌的婦女，在至少一年之後，也被確診罹癌；經過分析，AI 系統的表現，甚至還優於放射科醫師所做出的評估！

這樣的研究成果令人相當振奮，也相信 AI 有朝一日將會有助於乳腺癌的早期發現。但目前，仍須進行臨床試驗，才能進一步評估此平台在臨床上的真實效益。

類似 AI 概念的系統 ─ 乳腺癌的電腦輔助檢測 (CAD)

CAD 是一種較早期的系統，其目標一樣是希望能協助改善臨床上對於乳房 X 光照片的判讀。不過，它在臨床上的實際表現，卻遠不如實驗測試時那麼亮眼：CAD 不影響「陰性個案」的判讀，也不會提升「偽陽性」比例，但卻會增加「偽陰性」─ 也就是漏診 ─ 的機率！

主要原因推測有二：(1) CAD 處理能力有限，也無法針對同一病患、不同時期的影像進行比較，進而導致放射科醫師忽略了某些訊息。(2) CAD 也是以乳房 X 光照片進行訓練，一旦輸入的 X 光照片中有許多「連醫師都沒辨識出」的偽陰性，電腦自然就無法將這些案例判讀為「陽性」─ 這也是當前使用 AI 的決策輔助工具所面臨的共同陷阱！不可不慎！

乳腺癌 AI 決策輔助系統開發的優勢

要開發和測試使用於臨床的 AI 演算法，需要龐大的數據量。乳腺癌的 AI 決策輔助系統開發擁有兩大優勢：一是透過一般的乳癌篩檢可獲得大量數據 (包括患者持續追蹤時所產生的資料)，二是易於驗證，這使得平台的開發值得期待。

上方提及、發表於《Nature》的實驗成果，是僅以斷層合成 (3D) 以及一般數位 (2D) 乳房 X 光照片進行電腦的訓練，並未納入其他技術的檢測結果。科學家也不否認，若能了解、甚至增進該系統對於不同技術拍出的照片的判讀能力，將是很有幫助的事。

結語

臨床上，多數狀況都十分複雜，不是簡單的「二選一」，而仍須考量病患的整體病徵才能做出許多複雜的決定。此外，AI 平台的建立，還需要開發許多「配套」，例如：能夠預防決策輔助工具性能下降的監測系統、能夠查詢過往紀錄以識別、註解代表特定診斷的病例的工具，以及，研擬如何儲存和使用數據、由誰、以何種方式進行監管，才能保障患者的隱私等等，都是需要一併發展的。

資料來源：Nature、高雄醫學大學附設醫院