從腫瘤邊界讀出復發風險：AI協助辨識第II期大腸直腸癌

第II期大腸直腸癌手術後，真正棘手的問題往往不是腫瘤是否已被切除，而是誰仍可能復發。風險估得過低，患者可能錯失密切追蹤或輔助治療；估得過高，則可能承受未必必要的化療副作用。澳洲研究團隊如今嘗試讓人工智慧從既有病理資料中，提供另一把衡量風險的尺。

這套名為SÉMIL的深度學習系統，同時分析數位化病理切片及其文字描述，把第II期患者分為較高與較低復發風險。研究重點不是尋找全新的分子標記，而是重新解讀醫院原本就會製作的切片，尤其是腫瘤向周圍組織推進的「侵襲前緣」。該處的生長型態具有預後意義，卻可能因形態複雜而難以由不同病理醫師一致分類。

研究人員分析超過1,600張病理切片，並在澳洲多家機構的三個獨立患者群中驗證，合計涵蓋1,220名第II期大腸直腸癌患者。研究已刊登於《Gastroenterology》，由拉籌伯大學Francis Magisson領銜，合作團隊包括Austin Health、Olivia Newton-John癌症研究所、WEHI、蒙納許大學與墨爾本大學等機構。

結果顯示，SÉMIL的分類與病理醫師判讀一致時，風險分層最為準確。這一點也界定了工具較現實的角色：它不是要取代病理醫師，而是以第二種判讀方式補強容易出現歧異的區域。若後續證實具有臨床效益，較高風險患者或可被納入更密集的追蹤，並由醫療團隊評估術後化療；但模型判定本身並不等同於已證明患者能從化療獲益。

SÉMIL的實務吸引力在於，不必額外取得組織，也不需先導入昂貴的新型檢測，理論上可接入既有數位病理流程。然而，目前公開的校方與新聞資料並未提供敏感度、特異度或判別曲線等完整效能數字，也不足以判斷模型在不同掃描設備、染色流程及患者族群中的穩定程度。

因此，跨機構的獨立驗證雖比單一醫院測試更扎實，仍不是臨床落地的終點。研究團隊接下來需要以前瞻性研究確認：加入SÉMIL後，醫師的風險判斷是否真正改善、治療選擇是否更合宜，以及患者復發與存活結果能否受益。在這些問題得到回答以前，它較適合作為決策支援工具，而非獨立決定監測或化療的依據。