從日常病歷尋找胰臟癌線索：梅約AI研究探索診斷前五年的風險預警

胰臟癌的早期偵測有一道難題：許多患者確診時，疾病已進展；然而，對所有人全面篩檢又難以實行。梅約診所研究團隊試圖從平常看診留下的資料，找出值得進一步評估的人。根據Medical News Today的最新報導，這套人工智慧模型在回溯分析中，已能於確診前五年的資料辨識風險差異，為提早介入提供一條待驗證的路徑。

這項由Chris Varghese領銜的研究，在美國外科醫學會（ACS）2026年臨床大會發表，目前尚未經同儕審查。ACS公布的資料集包含6,066名胰臟癌患者與33,396名對照者，每人有7.5至19年的臨床紀錄。模型結合電子病歷及例行實驗室檢驗，分析健康狀況隨時間變化的軌跡。

研究共同作者Cornelius Thiels向Medical News Today說明，全血球計數的部分項目是模型的重要訊號，糖尿病、胰臟炎及其他胰臟疾病紀錄也有貢獻。這些資訊單獨出現，並不足以預告癌症；研究希望辨識的是多種訊號在多年病歷中如何交錯與改變。若能可靠地圈出較高風險族群，後續檢查便可能更有方向。

不過，五年結果必須與早期版本分開理解。ACS於9月24日公布的診斷前三年分析，受試者工作特徵曲線下面積（AUROC）為0.853；Medical News Today於10月3日引述Varghese的更新說法，則是在稍小的樣本中，診斷前五年的AUROC達0.853，更新後的三年數值為0.76。AUROC衡量區分不同風險者的能力，不能解讀成「預測準確率85.3%」。兩版數據也不能直接當作同一條時間曲線比較，仍須完整方法與樣本資訊才能釐清差異。

較早的ACS資料另報告精確率－召回率曲線下面積（AUPRC）為0.712，校準斜率為1.08；在模型估計風險超過50%的人中，88%於一年內確診。Medical Xpress轉載的也是這批ACS資料，並非另一項獨立驗證。尤其研究樣本中的病例比例不等於一般人口的發病比例，這些數字不能直接套用到日常門診，也尚未證明模型能改善早期偵測或存活結果。

團隊已在梅約診所以研究用途推進前瞻驗證，並規劃於其他醫療體系評估。這一步將檢驗：當模型面對新的患者、不同的檢驗習慣與病歷紀錄方式，是否仍能可靠地區分風險，且預測機率是否符合實際發病情形。現有會議結果尚不足以支持例行臨床使用。

另一個關鍵是，收到高風險提示後該做什麼。研究者正探索如何銜接電腦斷層、磁振造影、內視鏡超音波或血液生物標記檢查，但觸發檢查的風險門檻尚未確立。真正的考驗，是這條從病歷提示走向進一步檢查的流程，能否在提早發現癌症的同時，合理控制假陽性、檢查負擔與患者焦慮。