醫療人工智慧 · us
分辨大腸癌前病變:視覺Transformer在病理影像測試提高辨識敏感度
一項公開資料集研究顯示,視覺Transformer辨識無蒂鋸齒狀腺瘤的敏感度接近七成,高於比較用卷積模型的四成。但這項優勢能否轉化為臨床判讀助力,還須跨資料集與前瞻性研究驗證。
大腸息肉的風險,有時藏在組織結構的細微差異裡。具有癌前病變性質的無蒂鋸齒狀腺瘤(SSA),在病理切片上可能與增生性息肉相似。美國東北大學近期介紹的一項研究顯示,改用視覺Transformer架構,可能幫助人工智慧模型更有效辨識這類容易混淆的病變。
研究來自東北大學Roux Institute的Amal精準醫療實驗室,相關成果於2026年8月12日首度在線發表,收錄於《Lecture Notes in Computer Science》會議論文集;10月的校方報導與Medical Xpress轉載,則讓這項研究受到新一輪注意。它評估的是既有組織病理影像的分類能力,尚非大腸鏡檢查現場的病灶偵測試驗。
團隊使用公開MHIST資料集中的3,152張蘇木精與伊紅(H&E)染色影像,比較ViT、CaiT、DeiT三種Transformer與ResNet-18、34、50三種卷積神經網路(CNN)。所有模型均採相同的五折分層交叉驗證,在同一資料集內輪流訓練與評估,讓架構間的比較具有共同基礎。
論文摘要指出,ViT辨識SSA的敏感度為69.7%,比較中表現最佳的CNN則為39.2%,相差30.5個百分點。換言之,在這次影像測試中,ViT辨認出了較多實際屬於SSA的影像。其ROC曲線下面積為0.917,CNN為0.887;校方另報導,兩者整體準確率約為86%與80%。這些數字反映模型間的差異,並未證明AI優於病理醫師。
敏感度在這裡格外重要,因為資料集中約71%的影像屬於增生性息肉。當某一類影像占多數,模型即使偏向預測該類,也可能取得看似不差的整體準確率,卻漏掉較少見的癌前病變。研究發現,Transformer在未刻意增加少數類別抽樣次數的情況下,仍能維持較均衡的分類表現。研究主持人Saeed Amal認為,這可能與模型能整合影像不同區域之間的關係有關。
不過,接近七成的敏感度也代表,這次測試中仍有約三成SSA影像未被正確辨識。更關鍵的是,五折交叉驗證仍在同一資料集內進行,無法取代外部驗證。模型面對其他醫院的染色、掃描與病例差異時,能否維持表現,目前尚無答案;研究也未證實它能降低患者日後罹癌的風險。
依校方報導,團隊正與病理醫師及腸胃科醫師合作,朝前瞻性研究推進,以評估模型在實際診療流程中的準確性與用途。下一步的重點,是確認這項影像分類優勢能否幫助醫師減少漏判,同時釐清誤判會帶來多少額外覆核工作,才能判斷它距離可靠的病理輔助工具還有多遠。