
循環腫瘤細胞(1) (2)(如下圖)是一群脫離腫瘤組織進入周邊血液中的腫瘤細胞,一般認為是腫瘤遠端轉移的起點,其數量可因腫瘤本身的變化及治療的反應而改變,若能及早偵測其數量,將可協助評估治療成效、後續病程發展及癌症預後,醫師也可據此擬定更精準的治療策略。

然而,以傳統方法去判斷是否有循環腫瘤細胞,通常需要檢驗師用眼睛一張張片子、一個個循環腫瘤細胞去找,往往一百萬細胞中才找到一顆,不但費時費力,也可能因疲勞而出現誤判(1) (2) (3),因此才會紛紛改用其他方法。以免疫磁性分選法為例,從採血、選用富集(enrichment)、決定哪些螢光對應哪些蛋白,以至於取得的影像最後要如何分析等,都不是簡單的事。
近年來,隨著人工智慧技術越加成熟,以及硬體運算力的大幅進步,利用人工智慧(AI)來輔助檢驗師判斷循環腫瘤細胞,已不再是遙不可及的夢。
根據「Deep learning of circulating tumour cells」這篇論文,AI應用在偵測循環腫瘤細胞是可行的。其人工智慧模型的主要架構為Deep Learning演算法之一的「卷積神經網路 」 (Convolutional neural network CNN,),目前的準確率超過 96%,且判斷每個樣本(共23,377個圖像)的時間不到3分鐘。
「深度神經網路」(deep neural network)是眾多人工智慧技術之一,由成千上萬的神經元(neuron)架構而成。每個神經元可以當作是一個方程式,利用輸入的訊號,經過神經元(方程式)計算得到輸出的結果。
我們可以想像深度神經網路是一個擁有上千萬個方程式判斷能力的機器,而透過千萬個神經元的交互作用,可以自動抽取出足以代表資料特性的特徵(feature)。這種強大且自動抽取資料特徵的能力,使得深度神經網路在以往機械學習無法突破的項目上,取得驚人的成果。
在眾多深度神經網路的演算法中,卷積神經網路此一演算法對於圖片影像的分析,有著出色的表現。每個卷積層(Convolution Layer)所做的工作,就是將原始圖片的與特定的Feature Detector(filter)做卷積運算。
Feature Detector的目的,就是幫助抽取出一些形狀,顏色...等圖片特徵,如果你的目標為判斷圖片是否有鳥類,以此目標設計出的卷積神經網路,就會抽取出一些鳥特有的特徵,比如:鳥喙、鳥尾、鳥翅膀、鳥爪等...,只要這個卷積神經網路看到一張圖裡面有鳥喙,就會有較高的機率判斷這張圖裡面有鳥。
由於卷積神經網路可以抽取出上百上千甚至上萬個特徵,在這些特徵的交互作用下,就可以讓AI達到更準確的判斷。舉例來說,通過我們設計的“鳥類「卷積神經網路」判斷器”,A圖裡面找出鳥喙、鳥爪、鳥尾、樹和天空等5個特徵,而B圖只找出天空這個特徵,那麼在比較有鳥類在裡面的機率時,“鳥類「卷積神經網路」判斷器”就會判斷A圖比B圖有更高的機率。
AI無疑是今後推動醫學發展的最佳動力之一,它不會喊累,不會怠工,省時省力,有效率,標準一致,準確率可達醫師的96%,可減輕醫護工作壓力,進而提高醫療水準,造福人類。
Reference
- https://www.cancertaipei.tw/news/post2/
- https://pansci.asia/archives/158074
- https://www.lukas-bio.com.tw/ctc%E5%BE%AA%E7%92%B0%E8%85%AB%E7%98%A4%E7%B4%B0%E8%83%9E%E6%AA%A2%E6%B8%AC/
- https://www.nature.com/articles/s42256-020-0153-x
- https://zhuanlan.zhihu.com/p/106388170
- https://buzzorange.com/techorange/2020/11/16/edge-computing-medicare/