〔文章加入收藏〕 一項發表在美國癌症研究學會（AACR）年會的研究指出，預先用大型資料庫訓練的 AI 系統，將能夠幫助居住在資源有限國家/區域的民眾，精確診斷非黑色素皮膚癌 （nonmelanomaskin cancer，簡稱 NMSC）。
下列醫藥資訊原報導出處為 POZ: Machine Learning May Help Diagnose Skin Cancer in Resource-Limited Settings
本文章經愛知識 iKnowledge依編輯所在地醫療現況及閱讀習慣進行編輯及改寫
「非黑色素皮膚癌」在全球都相當常見。這種癌症通常會發生在長期受到陽光曝曬的部位。雖然相對於黑色素皮膚癌，非黑色素皮膚癌較少擴散且治癒率較高，但如果沒有即時治療，也有可能會迅速擴散至全身其他部位，甚至致命。
「在資源有限的環境中，極為有限的醫療資源限制了即時提供非黑色素皮膚癌篩查的可能性… AI 系統可以填補部分的資源缺口，但同樣的開發及訓練 AI 系統也需要大量的資源投入，例如系統工程專家、高階的硬體設備，還有大量的前期訓練資料庫，這些在很多地方也是很難滿足及取得的資源… 」Steven Song 在訪談時這樣提到。
在這樣的思考下，時任芝加哥大學普利兹克醫學院（Pritzker School of Medicine）的 Steven Song 醫學博士候選人研究團隊，希望可以了解在醫療有限的環境中，預先經過訓練的 AI 系統可否幫助非黑色素皮膚癌的診斷及判讀。
關於這個研究
研究團隊假設，可以在相關資源充沛的環境中，先行上傳大量數據訓練 AI 的基礎模型去診斷非黑色素皮膚癌。再將該系統應用在無法從頭開發系統、沒有足夠軟硬體設施，或無法存取大量資料庫數據的環境。
在這樣的思考下，研究團隊測試了三種新型的基礎模型（PRISM、UNI 和 Prov-GigaPath）。三種基礎模型都是透過將既有的組織病理切片圖樣，切分成較小單位的圖片，再從這些圖片中尋找有意義的病理特徵。透過這些病理特徵去計算人體組織可能發生非黑色素皮膚癌的機率。
三種模型透過判斷 2,130 張組織切片影像（706 張為正常組織、1,424 張為已發生非黑色素皮膚癌的影像），來學習診斷非黑色素皮膚癌，並在之後比較三種模型的診斷準確度。
這 2,130 張影像來自孟加拉維生素 E 與硒試驗中的 553 個活檢樣本。當地民眾因為長期飲用受砷污染的水，增加罹患非黑色素皮膚癌的風險，也為該研究提供了來自真實世界的數據與研究基礎。
在取得三種新型基礎模型的相關數據後，在跟 ResNet18（較舊但相對成熟的影像辨識架構）的精準度進行對照。
研究結果
三種新型基礎模型在辨識正常組織，還有發生非黑色素皮膚癌組織的精準度都明顯優於 ResNet18 80.5% 的精準度。這樣的結果也意味著這三種基礎模型的效能有大幅度的進步。三種基礎模型的精準度如下：
為了讓基礎模型更適合在資源有限的環境中使用，研究團隊還開發了簡化模型的版本。這些簡化模型使用較少的病理影像進行學習與分析，但簡化模型的版本表現仍明顯優於 ResNet18。三種簡化模型的精準度準確度分別如下：
除此之外，研究團隊還開發了一款可供應用的資料註解框架，透過這個資料註解框架可以標示出基礎模型辨識到發生癌病變的區域。
總結
研究作者表示，總體來說，研究結果證實，預先訓練的 AI 系統具有協助診斷非黑色皮膚癌的潛力，這樣的系統對於資源有限的區域特別有價值。另一方面，該研究的研究結果也為後續臨床應用的開發提供了基礎數據。
「我們的研究還沒有辦法為非黑色皮膚癌的臨床診治做出實質的應用，後續還有像數位化醫療在當地的可用性、網路連線狀況、如何整合到現有系統，及使用者訓練等細節需要思考及處理… 」研究作者 Steven 說到。
