從檢體到數據：Lunit攜手Discovery，將AI病理接入藥物研發流程

一份組織檢體，如何變成可供藥物研發比較的數據？除了辨識影像中的生物特徵，檢體準備與分析流程也得足夠一致。韓國Lunit於10月12日宣布與Discovery Life Sciences合作，將旗下Lunit SCOPE病理人工智慧平台接入生物標記與組織分析服務，為藥廠使用AI研究組織提供更具體的實驗室途徑。

依兩家公司公告，SCOPE將依各家生技與製藥客戶的研究設計，導入Discovery既有工作流程。檢體取得、組織處理、分子病理分析及定量結果產出，都由Discovery自有實驗室執行，再於分析環節結合Lunit的影像分析技術，支援臨床研究、轉譯研究與藥物開發。

這項安排瞄準的是組織中的生物標記資訊：研究者希望把影像所呈現的生物特徵，轉為可比較的量化讀值，進一步探索疾病與治療反應之間的關係。BioSpectrum Asia的同日報導也將標準化定量資訊與提高分析再現性列為合作目標。不過，公告並未列出首批採用的藥物計畫、疾病族群或特定生物標記，實際用途仍取決於個別研究。

在這條流程裡，AI之前的步驟同樣關鍵。Discovery科學事務副總裁Anna Juncker-Jensen強調，一致的組織準備與工作流程，是可靠AI病理分析的前提。將檢體處理和分析串在同一套實驗室服務中，意在讓輸入材料與後續讀值有更一致的品質基礎；至於這樣的整合能減少多少分析差異，仍須實測數據支持。

合作也帶來接觸既有臨床研究客戶的管道。據公司公布的數字，Discovery曾為逾2,000個臨床試驗計畫提供生物標記服務，目前支援超過350個進行中的計畫。這反映其服務規模，卻不能視為SCOPE已在這些試驗中部署或完成驗證。雙方另規劃擴充AI組織分析服務，但未披露合作金額或全面導入時程。

目前可確認的進展，是AI病理平台與檢體、實驗室服務之間建立了合作途徑。這次公告沒有提出新的臨床驗證結果，也未提供資料集規模、分析準確度或與既有方法比較的結果。若未來要以這些讀值協助患者分群或治療選擇，還需要針對具體用途驗證；本次研究服務合作本身，並未證明相關分析已獲准用於臨床決策。