以光讀取皮膚分子訊號：拉曼光譜結合AI，癌組織分類準確率達84%

皮膚上的可疑病灶，外觀有時難以說明它究竟是什麼；取得組織、送交顯微鏡檢查，才能讓診斷更明確。若能先用一道光讀取組織的分子訊號，或許能為是否進一步切片提供依據。美國佛羅里達大西洋大學（FAU）研究團隊正探索這條路：結合拉曼光譜與機器學習，在已切除的皮膚組織中，將正常皮膚與兩類皮膚癌分類，最高測試準確率約84%。

FAU於9月30日公布的研究收錄於《Proceedings of SPIE》會議論文集。團隊使用配備785奈米二極體雷射與手持探頭的行動式拉曼系統，從50多份離體組織樣本取得近千筆光譜，涵蓋正常皮膚、基底細胞癌（BCC）及鱗狀細胞癌（SCC）。這些光譜是模型分析的資料，並不代表研究納入了近千名患者。

拉曼光譜觀察光與組織分子作用後的散射訊號，從中讀取化學組成的線索。News-Medical引述FAU研究指出，癌組織的蛋白質相關訊號較強，正常組織則呈現較強的脂質相關訊號。機器學習模型的任務，就是從這些細微差異中找出可用於分類的模式。

根據FAU與Medical Xpress刊載的結果，K近鄰與支持向量機模型的整體測試準確率最高，約為84%；支持向量機另報告78.7%的敏感度與88.6%的特異度。淺層神經網路的準確率為80.8%，接收者操作特徵曲線下面積（ROC AUC）則達0.910。這些指標呈現模型不同面向的表現，AUC數值不能直接解讀為診斷正確率。

分類的難度也有層次。研究發現，正常皮膚與癌組織較容易區分，但基底細胞癌與鱗狀細胞癌的分子訊號有較多重疊。換言之，光譜可以提供異常組織的線索，要進一步辨明是哪一類癌症，模型仍面臨挑戰；整體準確率也無法完整呈現每一類組織的辨識表現。

最關鍵的限制在於，這次量測的是已切除的組織。約84%的表現尚不能視為探頭直接接觸患者皮膚時的診斷能力，也沒有證明這套方法已能減少不必要的切片。三個報導來源均以FAU提供的研究資訊為基礎，屬於同一項初步成果的轉述，而非多個研究團隊各自驗證的結果。

團隊接下來計畫擴大研究並優化模型，包括探索更進階的神經網路。若要走入診間，還須確認這些分子線索在實際病灶評估中是否同樣可靠，以及它們能否安全地協助決定哪些病灶需要進一步檢查。目前，組織切片與病理檢查仍是診斷依據；這項研究提出的，是未來增加一種輔助判斷工具的可能。