從原發腫瘤追到腦與肺：AI空間分析鎖定疑似轉移細胞群

同一顆腫瘤裡，並非所有癌細胞都具有相同的危險性。若能在原發腫瘤尚未擴散時，辨認出較可能轉移或抗藥的少數細胞，治療或許能更早對準真正的威脅。一項黑色素瘤病例研究，嘗試以人工智慧讀取組織切片，再用空間蛋白體學追查這些細胞後來的去向。

研究對象是一名24歲時確診頭皮黑色素瘤的女性。她在八年間歷經頸部淋巴結復發、肺轉移與多發性腦轉移，先後接受手術、BRAF與MEK抑制劑、免疫檢查點抑制劑及放射治療。研究團隊回頭分析保存的原發腫瘤、三份肺轉移及一份腦轉移石蠟組織，藉此重建疾病演進軌跡。

團隊先讓依這名患者切片訓練的深度學習模型，分析常規H&E染色影像。模型在原發腫瘤中分出兩個空間上彼此區隔的細胞群PT1與PT2；在原發腫瘤內部的保留影像區域驗證中，整體分類準確率約94%。模型共辨識逾17萬個細胞，而PT1細胞的細胞核平均較大，顯示兩群細胞不只位置不同，也具有可辨認的形態差異。

當同一模型套用到經專家標註的肺與腦轉移切片時，兩處的腫瘤細胞形態大多更接近PT1，PT2樣細胞則幾乎不見。研究人員再依AI繪出的區域，以雷射顯微切割分離數千個細胞進行質譜分析；逾6,000種蛋白質構成的圖譜同樣顯示，PT1與肺、腦轉移組織的分子特徵比PT2更相近。形態與蛋白質兩條證據因而共同指向PT1可能是這名患者較具轉移能力的細胞群，但尚不能證明兩者具有直接譜系關係。

蛋白質訊號也提供了腫瘤行為的線索。PT1及轉移組織呈現較旺盛的糖解作用、氧化磷酸化和增殖相關訊號；轉移灶中的SRC與YES1含量升高，則可能協助癌細胞繞過BRAF／MEK抑制。這些結果可用來提出代謝抑制或多路徑合併治療的假說，卻不足以證明任何藥物對這名患者或其他黑色素瘤患者有效。

這套方法眼前較實際的價值，是把病理影像當成導航圖，精準挑出值得進一步做分子分析的區域，而非讓AI直接決定治療。研究僅涵蓋一名患者，模型的訓練與驗證資料也來自同一人的組織，換一個病例便需重新訓練；研究亦未在大型獨立族群中檢驗PT1特徵能否預測復發或轉移。要走進臨床，仍須證明跨患者、跨實驗室與跨掃描設備的穩定性，並透過前瞻研究確認其判讀確實能改善治療決策。