國際生醫新聞

秒速閱讀：科技經過這一場撼動全世界的新冠肺炎疫情，將人工智慧 (AI) 應用在醫療領域的方向更為明確。以新冠肺炎為例，最容易理解的就是利用 AI 判讀胸腔成像、以協助快速診斷。但是，AI 可以做的，可能不僅只於診斷。

目前已知的新冠肺炎肺部病理特徵包括：雙側多處毛玻璃樣混濁 (bilateral ground-glass opacities)、肺實質化影像 (consolidative pulmonary opacities)、結節陰影 (nodular opacities)、病灶分布於整個肺部周邊，以及因為肺小葉中隔增厚，形成網狀細線，重疊於毛玻璃樣影像上而呈現出的「碎石路狀徵候」 (crazy paving appearance) 等。其中，「碎石路狀徵候」並非病毒性肺炎的典型特徵，而一般肺部感染常見的症狀 (如：tree-in-bud 症狀)，在新冠肺炎中反倒少見。

胸腔的影像來源有 X 射線成像與電腦斷層 (CT)，利用大量的數據使 AI 系統進行深度學習，期望能區分出正常、細菌性肺炎、新冠肺炎，以及非新冠肺炎的其他病毒性肺炎。目前許多模型在它們各自設定的區別目標下，準確率都有 80% 或更高。此外，不少數據顯示，無症狀患者也可能出現影像學異常，CT 異常甚至在 RT-PCR 可檢測出陽性之前，就先被偵測到。

不過，除了在診斷方面期望可以將病患快速分流之外，AI 技術若可應用於風險分類、治療監測，則可將有限醫療資源進行更好的規劃與分配；另外，與其他分子、醫學等資訊整合，甚至可能可以發現新的治療標的或方法！

風險分類、治療監測與病程預測

目前已有研究報告指出，CT 的影像可與症狀的嚴重程度、患者病程或恢復狀態相關聯，透過這些胸腔 CT 特徵與臨床特徵，可以得知哪些患者的預後較差，這些條件諸如：高齡、白蛋白減少、淋巴球減少、C 反應蛋白升高、肺部圓形病變、扇形病變、碎石路狀徵候、纖維化、胸膜增厚、縱隔淋巴結腫大等。而深度學習技術可以對胸腔 CT 區域進行自動分割與感染定量分析，可能可以藉此發展出一套放射生物標記，用以評估患者將發生的病程變化，讓醫護人員得以提早調度像是呼吸器等醫療資源。

尋找新的治療標的

肺部病理會隨著疾病發展而變化，一般而言，放射學影像異常在第 10 天達到高峰，14 天左右開始消退。而放射學影像上觀察到的症狀，也可與 RT-PCR 結果相呼應，藉此繪製出住院期間病程與放射學影像變化的軌跡。同時，若是有以免疫調節藥物或是其他方式治療，亦可以放射學影像記錄。當數據量累積到一定程度之後，或許可由此識別出與預後不良最相關的標記，以及發現新的治療標的。

預測治療反應、制定治療方針

隨著在世界各地進行的各種臨床試驗，我們很可能會發現，不同的藥物適用於不同的族群、或不同的臨床症狀範圍。人工智慧的強大，就在於能夠由廣大的數據之中建構出複雜的模型，以協助識別出適當的治療標靶。AI 技術已經可以結合放射學來預測某些疾病對特定治療的反應；若驗證 AI 所建構的模型，未來或許可為各種程度的患者 (輕度~危急) 制定個人化的治療指南。

當然，我們不可能單就胸腔放攝影像、單靠 AI 就解決一切問題，傳統的臨床數據包括個人病史、生命體徵、實驗室檢查數據等等也仍是絕對必需。儘管目前仍不建議將胸腔放攝影像用於新冠肺炎的初步診斷，但若大流行持續，勢必對於穩定、可靠又快速的診斷和治療方法有相當大的需求，而 AI 技術，將是最可能滿足這樣的需求，並能協助及時分配資源、降低醫療體系壓力的方法。

資料來源：北美放射學會、行政院原子能委員會核能研究所