生物科技 · global
AI走進放射性藥物研發,精準癌療的下一道門檻是資料
放射性藥物把輻射送進腫瘤細胞,AI則被寄望縮短候選藥物設計與個人化劑量估算的距離;但在臨床真正放大前,標準化資料、驗證與監管仍是關鍵關卡。
放射性藥物治療的吸引力,在於它不像傳統外照射放療那樣從體外投射能量,而是讓帶有放射性的分子進入體內、尋找特定癌細胞,再於局部釋放破壞DNA的輻射。這種「把火力帶到目標附近」的構想,正遇上另一股技術潮流:用機器學習加速找靶點、設計分子,並為不同病人計算更貼身的輻射劑量。
《Journal of Medical Internet Research》7月9日刊出一篇News and Perspectives文章,由JMIR Correspondent Benedette Cuffari撰寫,Medical Xpress於7月11日轉述其重點。這並不是一項新的臨床試驗結果,而是對放射性藥物與AI交會處的整理:深度學習、生成式模型與醫學影像分析,正在被用來探索候選藥物、預測體內分布,並改善所謂劑量學,也就是估算腫瘤與正常組織實際吸收多少輻射。
在研發端,AI的具體角色不是抽象地「發明新藥」,而是協助縮小搜尋空間。深度學習模型可用來預測化學修飾如何影響藥物在人體中的行為;蛋白質結構預測工具則可協助判斷候選分子與蛋白質或遺傳物質的互動。生成式模型也被提出用於虛擬設計與篩選大量分子結構,目標是找到更能鎖定腫瘤、在放射性衰變期間仍保持穩定的候選藥物。
南安普敦大學醫院核醫物理專家Sofia Michopoulou在該文中指出,AI驅動的電腦模擬可能讓研究人員更早辨識有前景的候選藥物,並使早期評估更集中。這樣的說法反映的是研發流程上的期待:若模型可靠,部分低希望的候選物可在進入昂貴的合成、動物研究或早期人體研究前被排除;但文章也沒有把這種加速等同於已證明能改善存活或取代傳統驗證。
臨床端的另一個焦點,是個人化劑量。現行放射性藥物治療常使用器官層級或平均解剖模型估算輻射吸收,難以完全反映病人器官大小、腫瘤攝取不均、藥物代謝差異等細節。3D卷積神經網路等模型可分析PET等醫學影像,預測放射性藥物在組織中的分布;影像降噪、超解析度與腫瘤分割工具,也可能讓醫師更準確描繪腫瘤邊界與關鍵器官風險。
更具想像力的是「數位分身」:把分子影像、病人解剖與治療模型整合起來,在給藥前模擬不同劑量如何作用於特定病人。Michopoulou將個人化診療合一與數位分身的結合視為AI與核醫學最有前景的交會之一。不過,這類工具一旦影響治療決策,所需的不只是漂亮影像或回溯性表現,而是跨院所、跨設備、跨族群仍能穩定運作的驗證。
限制也因此格外清楚。JMIR文章指出,高品質、標準化且足以訓練模型的資料仍然不足,資料所有權、病人隱私與模型泛化能力也會限制臨床採用。聯邦學習可讓不同醫院在不直接交換病人資料的情況下共同訓練模型,可能緩解部分隱私問題;但若基礎資料定義不一、影像流程差異過大,模型仍可能在離開原始訓練環境後失準。
因此,AI對放射性藥物的真正價值,短期內或許不是創造一條全自動抗癌藥物流水線,而是把研發與治療中最耗時、最依賴影像與劑量估算的環節變得更可量化。它能否從研究工具走向常規臨床,將取決於資料標準、前瞻性驗證、監管審查,以及醫師是否能清楚理解模型在每一次給藥建議背後的可靠邊界。