科大研發創新AI病理分析系統 縮減模型訓練準確診斷多種癌症

香港科技大學（科大）領導的研究團隊最近成功研發出一套創新的人工智能（AI）病理分析系統。該系統僅需要極少量樣本，且毋須額外訓練，即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，為智能病理診斷的普及化帶來重要突破。

全球每年新增近2,000萬宗癌症病例，病理檢查在臨床診斷和治療決策中扮演關鍵角色。然而，面對病理學醫生嚴重短缺的挑戰，醫療界十分渴求創新的解決方案，以提高病理分析的效率。儘管AI在自動化病理診斷方面展現巨大潛力，現有技術的實際應用仍面對多重瓶頸。傳統AI模型須針對每一種癌症種類或診斷任務，收集數以萬計的病理圖像及數據進行訓練，過程不僅耗時，亦涉及高昂的運算與人力成本。此外，現有病理基礎模型往往缺乏通用性，在不同腫瘤類型的臨床分析中往往需要大量微調訓練，限制了其在資源匱乏地區及多元臨床場景中的應用。

為有效應對上述挑戰，科大電子及計算機工程學系助理教授兼醫學成像與影像分析研究中心副主任李小萌教授領導的研究團隊，聯同廣東省人民醫院及哈佛醫學院，成功開發出一套名為PRET（Pan‑cancer Recognition without Example Training）的全新病理分析系統。該系統首次將自然語言處理中的「上下文學習」（In-context Learning）概念引入病理影像分析，讓模型在推理階段僅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、腫瘤分割等，猶如一套「即插即用」的智能診斷工具，徹底打破傳統AI模型須針對每項任務進行大規模微調的限制 。

研究團隊採用來自中國內地、美國、荷蘭等多個國家及地區的多所醫療機構，共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系統進行全面驗證。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）高達97%。在大腸癌篩查任務中，系統的AUC值更達100%；而於食道鱗狀細胞癌腫瘤分割任務中，AUC值亦高達99.54%。此外，在臨床上具高度挑戰性的淋巴結轉移檢測任務中，PRET僅憑八張切片樣本，便取得約98.71%的AUC值，其整體表現更顯著超越11位病理學醫生的平均水平（平均AUC值約為81%）。研究亦顯示，PRET在不同人群及醫療資源水平各異的地區，均展現出穩定而卓越的通用化能力。

李小萌教授表示：「PRET系統的核心價值，在於突破『大量數據與反覆訓練』的傳統門檻，讓AI病理分析系統能夠以在更低成本及更靈活性的條件下，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，亦有望提升在資源匱乏地區癌症診斷的可及性。研究團隊期望透過這套『即插即用』的創新系統，令更先進、更精準的AI醫療診斷服務能跨越地域與資源限制，推動全球醫療公平。」

展望未來，研究團隊將進一步提升系統的診斷效能，並進一步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病理診斷開闢更多發展新方向。

相關研究成果已於國際權威期刊《Nature Cancer》發表。