用光讀取皮膚的分子指紋：拉曼光譜結合AI初步辨識皮膚癌

一處看起來可疑的皮膚病灶，是否一定需要取樣？良性變化與癌症有時外觀相近，醫師仍須依靠切片及顯微鏡檢查確認。佛羅里達大西洋大學研究團隊嘗試讓光提供另一層線索：讀取組織的化學訊號，再交由機器學習辨識，探索未來能否協助判斷哪些病灶需要進一步檢查。

校方9月30日公布的研究，收錄於《Proceedings of SPIE》的「Advanced Chemical Microscopy for Life Science and Translational Medicine 2026」。團隊使用配備785奈米二極體雷射與手持探頭的移動式拉曼系統，分析50多份臨床組織樣本，涵蓋基底細胞癌、鱗狀細胞癌與正常皮膚，取得近千筆光譜。這些量測是在組織取出後進行，尚未展示直接在患者皮膚上診斷的效果。

拉曼光譜觀察光與分子互動後的散射變化，藉此描繪組織的「分子指紋」。在這批樣本中，癌組織通常呈現較強的蛋白質相關訊號，正常組織則有較強的脂質相關訊號。演算法的任務，是從這些細微差異中找出可用於分類的模式，而非判讀病灶照片。

研究比較多種模型，其中K近鄰與支持向量機的整體測試準確率最高，約為84%。依校方公布的數據，支持向量機的敏感度為78.7%、特異度為88.6%；淺層神經網路的準確率為80.8%，ROC曲線下面積為0.910。這些指標呈現不同面向的分類表現，不能直接視為門診中排除癌症的可靠程度。

辨識的難度也有差別。ICT&health與LabMedica對同一研究的報導均指出，正常皮膚較容易與癌組織區分，兩類癌症之間的分子訊號卻有較多重疊。結果顯示光譜確實帶有可辨識的組織資訊，也提醒研究者：察覺異常與準確判定癌症類型，是兩項不同的挑戰。

近千筆光譜並不等於近千名受試者；研究的組織樣本仍只有50多份，且全部是在體外測量。因此，目前的結果尚不足以回答這套方法在真實就診人群中會漏掉多少癌症，或能避免多少良性病灶切片。研究涵蓋的三類組織，也不能代表所有臨床上可能遇到的皮膚病灶。

資深研究者Andrew Terentis將結果定位為初步發現，團隊下一步希望擴大研究並優化模型。若要成為切片前的輔助工具，還需要以患者身上的量測與病理結果對照，確認其可靠性及實際效益。在此之前，切片後的病理檢查仍是診斷標準；減少不必要切片，是這項技術希望達成、尚未證實的目標。