掌握▪新創動態
《新創動態》AI辨識腫瘤細胞特徵 精準判讀癌症預後指標
2024-10-08

癌症的早期診斷與治療對於病患的預後至關重要。然而,傳統的免疫組織染色切片判讀仰賴病理醫師以顯微鏡觀察,不僅耗時費力,更可能因人為主觀因素影響判讀結果。國立聯合大學電機工程學系李佳燕教授團隊洞察此痛點,開發出「免疫組織化學染色神經內分泌瘤切片之Ki-67自動判讀模型」(KissNET),為病理診斷帶來革命性的變革。

深度學習結合創新技術:KissNET實現精準判讀

Ki-67 染色切片可觀察腫瘤增殖率,已被定為癌症預後指標。然而,病理切片型態變異大、染色不均勻、細胞型態多樣化,皆可能導致人工判讀耗時,是全球目前主要面臨的課題。KissNET模型的核心是深度學習技術,透過訓練大量病理切片影像,模型能自動學習並辨識腫瘤細胞的特徵。KissNET結合了兩大創新技術,包含腫瘤區域分割與細胞計數。

  • 腫瘤區域分割: 傳統判讀仰賴醫師肉眼辨識腫瘤區域,可能受到腫瘤異質性影響。KissNET透過加深模型深度與保留影像資訊,能更精準地自動分割腫瘤區域,排除干擾因素,提升判讀準確度。
  • 細胞計數: Ki-67染色切片上細胞型態多樣且可能重疊,增加計數難度。KissNET引入注意力機制、改良損失函數與強化實力分割網路,能有效辨識與計數細胞,克服傳統方法的限制。

李佳燕教授:KissNET加速診斷流程,提升醫療品質

李佳燕教授表示,本技術判讀時間相較於人工判讀由8.1 分鐘大幅縮短至2秒(快243 倍),不僅大幅縮短判讀時間,更提升了判讀的客觀性與一致性。這對於病理醫師來說,無疑是一大助力,能更專注於複雜病例的判讀與研究。她強調,KissNET已在臺北榮總、臺中榮總等臨床場域落地應用,且預測結果與醫師判讀高度相關,顯示其臨床實用價值。未來,團隊將根據不同場域客製化調整AI模型,整合軟硬體系統平台建置並維持AI平台的穩定運作,使其能適用於更多種類的癌症判讀。此外,KissNET的可視化界面也將進一步提升,讓醫師能更直觀地理解判讀結果,增強對AI的信任感。

李佳燕教授強調,KissNET的目標不僅是加速診斷流程,更希望透過AI的力量,提升病理診斷的準確度與效率,為患者提供更優質的醫療服務。相信KissNET將成為病理醫師不可或缺的得力助手,為癌症診斷與治療帶來更多突破。


詳細資訊→免疫組織化學染色神經內分泌瘤切片之Ki-67自動判讀模型|聯合大學電機系李佳燕教授|第20屆國家新創獎

本網站中所有資料(包括影音.文字.圖表.數據等) ,均屬於本中心或各該新創企業團隊之專屬財產,如有引用,請確實註明出處來源。 <完整資訊>
財團法人生技醫療科技政策研究中心 版權所有
Copyright © 2012 - 2024 Research Center for Biotechnology and Medicine Policy (RBMP). All Rights Reserved