← 返回首頁

讀取DNA甲基化線索,AI嘗試細分81種血液與淋巴腫瘤

ALMA 3在獨立測試中呈現亮眼的腫瘤辨識與分型表現,但訓練規模不等於臨床證據;各亞型能否穩定判讀,仍待更完整的驗證。

By SURL BioNews

對血液與淋巴系統癌症而言,辨認出腫瘤只是診斷的一步;分清它屬於哪個亞型,才更能掌握預後與治療方向。當不同疾病難以用傳統方法區分,研究者正嘗試從DNA甲基化模式尋找另一組分類線索,讓分子資訊補充病理判讀。

在西雅圖舉行的2026年分子病理學會(AMP)年會上,研究團隊發表AI基礎模型ALMA 3。依AMP公告及ecancer、LabMedica的同事件報導,模型以超過11萬份患者樣本訓練,研究涵蓋81種血液與淋巴腫瘤亞型,其中包括傳統診斷較難區分的類別。

這項研究由ALMA Genomics的Pedro Orsini領導,參與機構包括賓州大學與麻省理工學院。AMP將其列為H071摘要,研究主題是依WHO與國際共識分類(ICC)架構,建立血液淋巴腫瘤的階層式分類模型。甲基化是DNA上的化學標記;ALMA 3運用這些標記的分布模式,協助辨識腫瘤及其類別。

研究公布的獨立測試包含兩項不同指標:辨識血液淋巴腫瘤的敏感度為99.5%,指定癌症亞型的陽性預測值為90.9%。前者描述實際有腫瘤的受測樣本中,有多少被模型辨識出來;後者則反映模型作出亞型判定時,判定正確的比例。兩者回答不同問題,不能合併解讀成「診斷準確率99.5%」。

同樣需要分清的是,超過11萬份指的是訓練樣本規模,並非公告交代的獨立測試人數。現有報導未列出測試樣本總數、各亞型病例分布、信賴區間或逐類別表現,因此尚無法判斷罕見亞型是否同樣可靠,也不能由整體數字推定81種亞型都有一致成績。腫瘤偵測的特異度亦未在這些報導中公布,高敏感度本身不足以說明誤判為腫瘤的情況有多少。

這些資料使ALMA 3成為值得進一步驗證的病理輔助工具,但尚不足以證明它能在日常診療中改善決策。若要走進臨床,仍須釐清不同檢體與實驗室條件下的表現,以及模型判定和既有檢查不一致時,應如何整合資訊。公開報導也未提供檢測成本、周轉時間或監管核准資訊。

AMP表示,進一步的臨床驗證正在進行。接下來的關鍵,是模型能否在實際遇到的疑難病例中,穩定提供有用的分類線索,並協助醫師作出更可靠的判斷。這將決定亮眼的測試數字,能否轉化為患者診斷流程中的實際幫助。

References

  1. ecancer
  2. Association for Molecular Pathology
  3. LabMedica International