血清光譜結合機器學習:突破大腸癌早期篩檢盲點的關鍵?

灣點新聞編輯部

2026-11-21

當醫學界還在為大腸直腸癌(Colorectal Cancer, CRC)的早期篩檢尋找更低侵入性、更高效率的解方時,一項結合光譜學與人工智慧的研究,正悄悄在實驗室裡掀起波瀾。

表象

大腸直腸癌始終是全球癌症相關死亡的主要兇手之一。話說回來,現行的篩檢工具雖然不少,但要嘛侵入性高讓民眾心生抗拒,要嘛在早期偵測的靈敏度上差強人意。面對這個臨床上的長期痛點,醫學研究人員一直在尋找更溫和、卻同樣精準的輔助檢測方式。

說真的,誰也不希望每次篩檢都得承受不適。如果能透過簡單的血液檢驗,搭配演算法來揪出癌細胞的蛛絲馬跡,那會是什麼光景?這正是這項最新研究所瞄準的方向。

真相

這項由研究團隊展開的探索,聚焦於血清衰減總反射傅立葉轉換紅外線光譜(ATR-FTIR spectroscopy),並大膽將其與機器學習分析技術結合。研究人員從 100 名大腸癌患者與 100 名非癌症對照組的乾燥血清樣本中,獲取了 ATR-FTIR 光譜數據。

透過二階導數光譜來提升光譜解析度,並進行投影變數重要性分析,團隊成功鎖定了最關鍵的變數,主要指向蛋白質相關振動、含磷酸的生物分子,以及碳水化合物相關的分子結構。這些微觀層次的化學鍵結變化,成了區分健康與否的密碼。

「這項研究顯示,結合血清 ATR-FTIR 指紋圖譜與具備可解釋性的機器學習,在區分大腸癌病例與對照組上展現了高度的可行性。」

各方角力

在技術落地的過程中,如何處理龐大且複雜的光譜數據一直是個大哉問。為了降低光譜維度同時保持模型的精簡性,研究團隊開發了主成分分析與人工神經網路(PCA–ANN)分類器。

在內部驗證中,這個模型繳出了 87.5% 的準確度、90.0% 的靈敏度、85.0% 的特異度,以及高達 0.941 的 AUC 表現。而在涵蓋 28 名受試者的獨立外部資料集初步評估中,也獲得了 85.7% 的準確度與 0.920 的 AUC。

「雖然初步成果令人振奮,但我們必須清醒地認識到,要將這種方法推向臨床應用,還有很長的一段路要走。」

深層影響

從產業面來看,這種非侵入性的血檢輔助篩檢模式,若未來能通過嚴格的大規模臨床驗證,將有機會大幅降低民眾參與篩檢的心理門檻。對醫療體系而言,這意味著能更早攔截癌症,減少後端龐大的治療成本。

從產業發展的角度來看,AI 與生物光譜學的結合正在改寫疾病診斷的遊戲規則。不過,醫療級的 AI 應用容不得半點馬虎,從實驗室走向臨床的過程,往往比技術本身更具挑戰性。

未解之問

話雖如此,這項研究距離實際臨床應用仍有一段距離。未來的關鍵在於,必須進行更大規模、前瞻性且人口統計學上平衡的外部群體研究,才能真正確立其在早期偵測中的潛在效用。

當我們把目光放得更遠,這種技術能否延伸應用到其他癌症的篩檢?這或許是下一個醫學界急欲解答的謎題。

建議關注醫療科技發展的讀者,未來在面對這類新興篩檢技術時,除了看見亮眼的準確率數據外,更應持續追蹤其在大型臨床試驗中的表現,並在有醫療需求時,諮詢專業醫師的評估與建議。

本文改寫整理自公開新聞來源,原始報導由Nature發布。

常見問題 FAQ

什麼是血清 ATR-FTIR 光譜分析?

血清 ATR-FTIR 光譜分析是一種透過紅外線光譜技術,檢測血清樣本中分子化學鍵結特徵(如蛋白質與磷酸分子)的方法,能用來辨識生物體內的微觀變化。

這項技術在大腸癌篩檢中的準確度如何?

根據研究的內部驗證結果,該機器學習模型達到了 87.5% 的準確度、90.0% 的靈敏度、85.0% 的特異度,以及 0.941 的 AUC。

這項檢測已經可以取代大腸鏡了嗎?

不行,目前這仍處於研究階段,且需要更大規模的外部群體驗證,現階段僅具備作為早期偵測輔助方法的潛力,無法直接取代現行臨床黃金標準。

※ 此篇文章由 AI 改寫或生成,內容僅供參考,可能存在錯誤或不準確之處。