科大研「即插即用」AI病理分析系統 少量樣本毋須額外訓練 可準確識別多種癌症

香港文匯報訊（記者 楊梓穎）全球每年新增近2,000萬宗癌症病例，病理檢查在臨床診斷及治療決策中一直扮演關鍵角色。然而，面對病理學醫生長期嚴重短缺，醫療界亟需創新方案，以提升病理分析效率。人工智能（AI）雖在自動化病理診斷方面展現巨大潛力，但現有技術在實際應用上仍面對不少瓶頸。香港科技大學（科大）領導的研究團隊近日成功研發一套創新AI病理分析系統，該系統僅需極少量樣本、毋須額外訓練，便可準確識別多種癌症，顯著提升AI輔助醫療的靈活性與效率，為智能病理診斷普及化帶來重要突破。相關成果已於國際權威期刊《Nature Cancer》發表。

傳統AI模型一般須就每一種癌症類型或診斷任務，收集數以萬計的病理圖像及數據作訓練，過程不但耗時，亦涉及高昂的運算與人力成本。此外，現有病理基礎模型普遍缺乏通用性，面對不同腫瘤類型的臨床分析時，往往仍需大量微調訓練，限制其在資源匱乏地區及多元臨床場景中的應用。

為應對上述挑戰，科大電子及計算機工程學系助理教授、醫學成像與影像分析研究中心副主任李小萌領導研究團隊，聯同廣東省人民醫院及哈佛醫學院，成功開發一套名為PRET（Pan-cancer Recognition without Example Training）的全新病理分析系統。該系統首次把自然語言處理中的「上下文學習」（In-context Learning）概念引入病理影像分析，令模型在推理階段只需參考一至八張已標註的腫瘤切片，便可即時適配全新的癌症類型，並執行多項診斷任務，包括癌症篩檢、腫瘤分型及腫瘤分割等，猶如一套「即插即用」的智能診斷工具，打破傳統AI模型須按個別任務進行大規模微調的限制。

研究團隊利用來自中國內地、美國、荷蘭等多個國家及地區、多所醫療機構提供的23個國際基準數據集，涵蓋18種癌症類型及不同診斷任務，對PRET系統作全面驗證。結果顯示，PRET在20項測試任務中表現均優於現有同類方法，其中15項任務的準確性指標（AUC）達97%以上。在大腸癌篩查任務中，系統AUC值更達100%；於食道鱗狀細胞癌腫瘤分割任務中，AUC值亦高達99.54%。

在臨床上極具挑戰性的淋巴結轉移檢測任務中，PRET僅憑8張切片樣本，便取得約98.71%的AUC值，整體表現更明顯超越11位病理學醫生的平均水平，其平均AUC值約為81%。研究同時顯示，PRET在不同人群及醫療資源水平各異的地區，均展現穩定而卓越的通用化能力。

李小萌表示，PRET系統的核心價值在於突破傳統上對「大量數據與反覆訓練」的依賴門檻，令AI病理分析系統能以更低成本、更高靈活性應用於實際臨床場景。這不僅有助紓緩病理醫生的工作壓力，亦有望提升資源匱乏地區癌症診斷服務的可及性。研究團隊期望，透過這套「即插即用」創新系統，讓更先進、更精準的AI醫療診斷服務跨越地域與資源限制，進一步推動全球醫療公平。

展望未來，團隊將進一步提升系統診斷效能，並拓展應用至基因突變預測及病人預後評估等臨床任務，為AI病理診斷開拓更多發展方向。