新型生成式AI（Generative AI）模型「CytoDiffusion」在血球細胞分析中勝過專家

一項由英國研究人員開發的突破性人工智慧系統，已展示出檢測白血病（leukemia）及其他血液疾病的能力，其準確度超越人類專家。該系統，稱為 CytoDiffusion，利用生成式AI（與 DALL·E 等圖像生成器使用的技術相同）來分析血球的顯微結構。關鍵在於，該模型引入了一項「超越人類」的能力：以數學方式量化其自身的不確定性，確保在診斷模糊時提醒臨床醫師，而不是給出自信但錯誤的預測。

這項由 University of Cambridge、University College London (UCL) 與 Queen Mary University of London 的合作團隊領導的研究，本週發表於期刊 Nature Machine Intelligence。此一發展標誌著在 醫療AI（Healthcare AI） 領域的重要轉變，從單純的模式識別邁向深層形態理解，可能改變血液學診斷流程。

超越標準分類：生成式AI的力量

傳統的醫療AI工具通常以「監督式學習（supervised learning）」訓練，將影像分類到預定的類別（例如「健康」對比「生病」）。對於明顯的案例，這類方法有效，但在早期血癌中常見的細微、不規則變異面前，這些模型經常表現不佳。它們也常常「過度自信」，在遇到未見過的數據時，會對錯誤判斷給出高信心水準。

CytoDiffusion 採取不同的方法。透過利用 生成式AI 技術——特別是擴散模型（diffusion models）——系統學習正常與異常血球的整體景觀。它不只是畫出兩個類別之間的一條線，而是理解細胞形態的複雜分佈。這使它能夠偵測到稀有異常與傳統模型乃至疲憊的人眼可能忽略的「邊緣案例」。

「我們的模型運作方式與標準AI分類器不同，」劍橋大學的第一作者 Simon Deltadahl 解釋道。「它建立了對血球結構的全面理解。當我們測試其準確性時，系統略優於人類。但真正突出的，是它能辨識自己何時不確定。」

解決醫療診斷（Medical Diagnosis）中「信心」問題

在 醫療診斷 領域中，判斷的差異性是最持久的挑戰之一。血液學家常常在困難的抹片上意見不一，且疲勞會導致錯誤。先前的AI模型解決了疲勞問題，卻帶來新的風險：傲慢。標準的AI可能會將一個令人困惑的細胞以 99% 的信心分類為「白血病」，僅因其類似某個它記住的模式，即便實際上那細胞可能是良性類似物。

CytoDiffusion 透過在診斷旁提供「不確定性分數（uncertainty score）」來解決此問題。若AI遇到一個細胞結構，無法清楚地與其已學習的已知疾病分佈對齊，它便將該案例標記以供專家複審，而不是強行下定論。

在驗證測試中，該系統展現出：

• 較高的敏感度（Sensitivity）： 偵測出專家最初忽略的白血病（leukemia）與其他惡性徵兆。
• 可靠的校準（Calibration）： 模型的信心水準與其實際準確率完全吻合。它「不會宣稱確定而後出錯」，這是相較於可能受近期經驗或期待影響的人類直覺的一大優勢。

比較：AI vs. 人類專家分析

改變臨床工作流程

引入 CytoDiffusion 並非旨在取代血液學家，而是增強他們的能力。在典型的醫院環境中，初級醫師或技術員在長時間輪班後，可能需要花數小時檢視血片，這非常容易導致診斷錯誤。

「我在擔任初級血液科醫師時面臨的臨床挑戰是：工作一整天後，還要面對大量的血片要分析，」來自 Queen Mary University of London 的共同資深作者 Dr. Suthesh Sivapalaratnam 表示。「人類不可能看完塗片上的每一個細胞——那是不可能的。我們的模型可以自動化這個過程，分流常規案例，並把任何不尋常的部分標示出來，交給人類審查。」

透過作為高精準度的篩選器，該AI確保專家將注意力集中在最複雜且關鍵的案例上。這種「人機協同（human-in-the-loop）」方法結合了AI不知疲倦的處理能力與經驗豐富醫師的細緻決策，提升了病人安全。

對生物技術（Biotechnology）的未來影響

CytoDiffusion 的成功驗證了在創意以外領域使用生成式模型的可行性。在生物技術（Biotechnology）領域，此方法可被改編用來偵測其他組織類型的異常，或分析以「不確定性」為關鍵變數的複雜基因組資料。

隨著監管機構持續評估AI在醫院的整合能力，系統能「知道自己不知道什麼」的特質，可能成為必須的安全功能。CytoDiffusion 為可解釋且可靠的醫療AI樹立了新標準，讓我們更接近一個血液診斷更快、更便宜，且最重要的是更安全的未來。