生醫人工智慧 · global
讓AI知道何時保留答案:NetraAI從臨床資料尋找病人亞群
一項跨三類疾病的回溯研究顯示,先找出少數關鍵變數,能改善既有模型的預測表現。但系統只替部分病人作出分類,亮眼結果距離實際選藥仍有驗證關卡。
同一種疾病的患者,對治療可能有截然不同的反應;把所有人放進同一套分析,少數人的重要線索便可能被淹沒。NetraMark開發的NetraAI嘗試從臨床資料中辨認具有共同特徵的病人亞群,並在證據不足時保留答案。一項新發表的回溯研究,為這種分析策略提供了初步支持,也揭示它的適用邊界。
這篇經同儕審查的論文於2026年9月4日刊登在MDPI旗下《AI》期刊,NetraMark於9月10日發布消息,並將研究列入出版目錄。研究使用思覺失調症CATIE、憂鬱症CAN-BIND與胰臟癌COMPASS三組既有資料,分別涉及抗精神病藥物比較、抗憂鬱藥escitalopram的治療反應,以及不同化療方案與反應的關聯。
NetraAI的工作,是尋找能描述特定病人群體的精簡變數組合,再讓其他模型運用這些線索。遇到無法穩定歸類的個案,系統可以回報「No Call」,表示不作判定。這項設計讓研究者得以區分:哪些特徵可能攜帶有用訊息,以及這些訊息適用於哪些患者。
公司公告強調,八種受測方法在三組資料中,使用NetraAI找出的變數後,預測表現全數改善。論文進一步交代,這項結果來自內部評估:在保留全體患者、沒有排除難以分類個案的條件下,模型區辨能力指標AUC的整體範圍,由原始變數分析的0.46至0.62,提高至0.54至0.78。這支持了變數篩選的用途,但尚不能推論它能提升新試驗的成功率。
進一步只分析系統能穩定分類的亞群,效果便因資料而異。憂鬱症與胰臟癌資料中的八種方法均再度改善,思覺失調症資料則只有一種改善。系統實際能分類的患者,占各組總人數約27.7%至40.4%;因此,閱讀亞群中的高分表現時,也必須同時考慮多數患者並未獲得判定。
胰臟癌分析尤其醒目。依公司公告,NetraAI從約2萬5,000個基因體變數中,縮小至三個變數的特徵組合;論文將其描述為三個單核苷酸變異,與可分類患者的化療方案相關反應排序有關。然而,COMPASS屬觀察性資料,這項關聯無法直接證明哪一種療法對特定患者更有效。公司與論文均將發現定位為探索性結果,需要外部驗證。
研究由NetraMark團隊參與完成,其現階段用途是提出可供檢驗的病人分群假說。若要據此決定下一場試驗納入誰,甚至協助臨床選藥,就必須在獨立資料與預先規劃的研究中,確認這些特徵能否重現,並評估未獲分類患者的處境。真正的考驗,是這些從舊資料找到的線索,能否在下一批患者身上持續成立。