血液癌症難以早期察覺，以骨髓增生性腫瘤（myeloproliferative neoplasm，簡稱MPN）為例，種類多、臨床症狀相似，病理切片與突變特徵有高度重疊，且切片結果通常以肉眼判斷，以往一次判讀時間超過30分鐘，還需仰賴經驗豐富的臨床血液科醫師及血液病理次專科醫師。林口長庚紀念醫院，與知名科技廠、藥廠攜手，將「AI技術」導入醫學，並以38萬個數位化玻片作為資料庫，輔助診斷MPN，縮短判讀時間、減輕負荷量並提升精準度，幫助患者及早發現病情，並接受治療。
MPN非固態腫瘤 靠血液分析才能診斷
骨髓增生性腫瘤，是罕見的血液癌症，是因骨髓中產生過量的紅血球、白血球或血小板，依據2016年世界衛生組織的分類 ，又可分為原發性血小板增多症（ET）、真性紅血球增多症（PV）、原發性骨髓纖維化（PMF），其包含早期骨髓纖維化（pre PMF）及顯著骨髓纖維化（overt PMF）四類，不同種類各有不同的預後及治療方式。
林口長庚紀念醫院血液科郭明宗醫師表示，目前在臨床上面臨的最大挑戰不僅是治療，其實從「診斷程序」就開始。因為「骨髓增生性腫瘤」，沒有明顯可觸及的腫塊，通常患者求診時可能是因為無症狀的血液相異常，或是因疾病引起的其他症狀或併發症，如出血、中風或是脾腫大等，無法直接看出原疾病為何。因此必須以骨髓病理切片，透過血液檢查數值中抽絲剝繭，進行診斷，2016年世界衛生組織也已將骨髓切片做為診斷的必要條件之一。
38萬玻片「數位化」 成為AI辨識腫瘤模型
然而病理切片判讀的複雜度，超乎一般人想像，林口長庚紀念醫院解剖病理部副主任莊文郁解釋，醫師必須仔細評估各種造血細胞在顯微鏡下的數量、形態及空間分布，才能得到精準診斷，但以人工判讀較不客觀且難以量化，各醫師經驗不同，診斷也會有差異，尤其對經驗少的醫師來說，更是高難度。若導入AI技術，其原理好比上傳照片到社群平台，透過自動人臉辨識系統，顯示或標記照片上的人物是哪一位朋友，莊文郁表示，AI技術不僅可以認臉，也可以辨別極度困難與複雜的細胞了！
林口長庚紀念醫院解剖病理部主任陳澤卿指出，院內每月有高達上萬筆的病理玻片需要判讀，因此亦將病理玻片「數位化」，並已累積超過38萬片，成為AI研究開發的基礎，透過龐大的數位病理資料庫，讓AI進行深度學習與訓練，發展出一套可辨識骨髓增生性腫瘤的模型，大大提升判讀方便性、準確性，彌補各醫師間經驗上的差異，並減輕大量病理玻片的判讀負荷量，最關鍵的是可以幫助病患及早發現、及早治療，避免轉化為預後較差的疾病或嚴重併發症。
