Salesforce新的AI技術能改善胸腺癌治療決策

Salesforce研究院與Ellison研究院合作，共同開發一個稱為ReceptorNet的深度學習演算法，該演算法可以確認賀爾蒙受體的狀態，有助於醫生判斷胸腺癌患者的治療方法。官方提到，將人工智慧應用在胸腺癌診療上的研究並不少見，但是Google目前的研究成果，主要集中在診斷癌症上，而ReceptorNet不同之處在於，其目標為改善胸腺癌患者的治療決策。

ReceptorNet可以從成本較低的組織圖像中，預測賀爾蒙受體的狀態，而目前要取得相同的結果，需要使用昂貴的組織圖像，再加上專業的病理學家，來判斷這些圖像。Salesforce比喻傳統方法與ReceptorNet的差異，就像是骨折的患者，不再需要到醫院照X光片，才能得知骨折情形，只需要用手機上的相機，拍下患部照片，人工智慧就能算出該處是否骨折。

過去，當病人被診斷出患有胸腺癌時，病理學家會在顯微鏡下，使用稱為免疫組織化學（IHC）染色法，分析腫瘤組織，並尋找可能促使癌症發展的賀爾蒙受體，供醫生判斷後續讓病人接受賀爾蒙療法，或是化學療法等其他治療方案。但是IHC染色的缺點，便是十分昂貴而且耗時，在發展中國家等醫療缺乏的地區，難以提供這樣的醫療服務。

而ReceptorNet則可以使用蘇木精-伊紅（H&E）染色組織，分析細胞的形狀、大小和結構，來確認受體狀態。ReceptorNet接受來自全球數十家醫院癌症患者，所提供的數千張H&E染色組織圖像訓練，因此ReceptorNet能夠在H&E染色組織圖像中，找出人眼無法辨識的細節，獲取治療癌症的重要線索。

在測試階段，即便是全新未見過的圖像，ReceptorNet也能達到92％的賀爾蒙受體測定精確度，而且研究人員提到，經過一些小幅度的修正，就能提升ReceptorNet的預測精確度，克服組織樣本製備方法不同的問題。

Salesforce還強調，一些醫療保健以及實證醫學，因為部分群體的資料不齊全，會有代表性不足的問題，而ReceptorNet在不同的人口統計群體，都能提供相同可靠性，在統計上，年齡、種族和地區等不同群體，對ReceptorNet的效能沒有影響。