台灣癌症聯合學術年會會議報導 (下)：腫瘤突變負荷量（TMB）檢測標準化、AI 醫療影像診斷、RNA 奈米技術與腫瘤醫學

第 24 屆台灣癌症聯合學術年會第二天依然有許多精彩的演講，基因線上特選 FFPE 樣本與次世代定序（NGS）、腫瘤突變負荷量（TMB）檢測標準化、AI 醫療影像診斷、RNA 奈米技術與腫瘤醫學等焦點主題，與讀者一起回顧精彩時刻。

FFPE 樣本的次世代定序（NGS）與基因體研究

奇美醫院病理中心部長李健逢醫師表示，以 NGS 技術為基礎的伴隨式診斷，能找出基因體變異，進而給予患者最適合的治療藥物。他們探討福馬林固定石蠟包埋組織（formalin-fixed and paraffin-embedded，簡稱 FFPE）腫瘤樣本的 DNA 品質和純度與後續的定序品質等相關性。2012 年以前，FFPE DNA 碎片（fragmentation）比率約為 24%。2012年以後，FFPE DNA 碎片比率僅 3.9%。FFPE 老化也會導致去胺基作用（deamination），使 CG 變成 TA，進而造成讀序的偽陽性（false positive）。脫鈣、壞死、出血、穿刺切片（needle biopsy）都可能影響 FFPE 樣本的品質。少數 FFPE 需用EDTA 進行脫鈣，以便取得足夠且品質好的 DNA 進行定序，而強酸脫鈣會傷害樣本 DNA，不建議使用。此外，有 85% 的 FFPE 穿刺切片樣本通常產生足夠的 DNA（大於 80ng）。

他們以 NGS 檢測 407 個 FFPE 樣本，分析不同癌症的基因缺失或擴增頻率。例如，B2M 基因缺失常見於初次療患者，又與免疫檢查點抑制劑抗藥性有關，以及 MDM2 基因擴增與免疫檢查點治療後過度增生有關。他們發現透過免疫組織化學染色法（immunohistochemistry, IHC）與 NGS 拷貝數變異等方法分析乳癌 HER2 表現的結果是完全一致的（100%）。大腸直腸癌 FFPE 的錯配修復基因（mismatch repair gene）突變，以及其他類型癌症的基因變異。

奇美醫院病理中心部長李健逢醫師

腫瘤突變負荷量（TMB）檢測標準化

李健逢醫師也提到，目前腫瘤突變負荷量（tumor mutational burden, TMB）的計算和報告尚未有一套標準。例如 A 廠牌、B廠牌跟 C 廠牌檢測方式，與自己送檢的檢測方式，可能得到的結果都不一樣。為了達成不同廠商的 TMB 平台一致性的目標，美國 Friends腫瘤研究中心和德國 QuIP（Quality Assurance Initiative Pathology）以美國癌症基因體圖譜計畫（The Cancer Genome Atlas, TCGA）資料庫中的的正常細胞與腫瘤細胞混合的全外顯子定序（Whole Exome Sequencing, WES）檢測資料（簡稱 TCGA-WES）為參考標準，進行 TMB 比對分析。在 2018年5月，他們召開會議與不同檢測廠商來討論 TMB 作為生物標記的標準化及共識。包含 Foundation Medicine、Personal Genome Diagnostics、Thermo Fisher Scientific、Illumina、GuardantHealth、NeoGenomics Laboratories、Qiagen、行動基因以及 Memorial Sloan Kettering Cancer Center（MSKCC）等 NGS公司或醫療機構。台灣方面，由奇美醫院收案的 FFPE次世代定序 TMB 資料與 TCGA 的 WES-TMB 之間有顯著的正相關性（R=0.96，R2=0.92）。此外，與 WES-TMB、MSKCC 的 IMPACT平台（正常細胞與腫瘤細胞混合）各自的 TMB 分佈結果相比，奇美醫院 FFPE 也是相似的。

AI 影像診斷不會取代醫師可望成為得力助手

哈佛醫學院生物醫學資訊所余坤興博士透過越洋視訊表示，目前可透過電子病歷（Electronic Midical Record）以及影像分析技術來診斷疾病。在智慧諮詢計畫中， AI 判斷感染患者的用藥選擇優於感染專家的比率約 2.5%-22.5%。AI 診斷肺癌細胞以及肺癌亞型的準確性高，曲線下面積（Area under Curve, AUC）分別為 0.979-0.995以及 0.884-0.932。透過機器學習分析（machine learning）肺癌癌症細胞質影像與 p53 突變的關係。深度學習系統也能準確預測卵巢癌化療反應。然而，機器學習最大的障礙之一就是資料品質太差，也就是「垃圾進，垃圾出」（garbage-in, garbage-out），會影響分析和決策領域。另一障礙為機器學習預測為相關性，而非因果關係（causation）。常規的醫療模式為患者來找醫師，醫師進行診斷、記錄電子病例和給予治療，而現在透過 AI 的幫助，能給予醫師建議。未來透過整合性決策支持系統，患者能同時找 AI 和醫師診斷，AI 能再給醫師建議，醫師再給予治療。AI 將幫助其開發者能從醫療照護的市場中獲取不少利潤，提升醫護人員的工作效率，降低醫療資源浪費，也能幫助患者得到新穎的治療。然而，AI 仍有以下挑戰：臨床醫師如何判讀 AI 診斷錯誤、AI 模型的監管規定、機器學習模式的解釋、社會與法規的衝突，因此需要更多跨領域專家一起努力，建立好相關審查、把關制度。最後余博士更表示，AI 不會取代醫師，但不懂 AI 的醫師恐將被取代，鼓勵大家以正面積極的角度，迎接 AI。

哈佛醫學院生物醫學資訊所余坤興博士透過越洋視訊分享

雲象科技執行長葉肇元醫師表示，目前透過深度學習（deep learning）可分析乳房X光攝影分類、胸腔及呼吸道電腦斷層、肺結核偵測、骨頭X光、皮膚疾病分類、乳癌轉移偵測、糖尿病視網膜病變等影像。他們正透過臨床病理科醫師從骨髓抹片影像中註解 500000 個細胞（目前 100000 個細胞），以建立全球第一個骨髓疾病的 AI 判斷系統。然而，過程中的註解、驗證、跟 AI 演算系統是仍需克服的挑戰。此外，他們也 AI 影像診斷食道癌及患者術前評估。最後提到，未來 AI 將可能取代實驗室影像人工任務，數據判讀速度會快過人類，改善醫療影像判讀的品質，並且帶來新的治療觀點。

雲象科技執行長葉肇元醫師

RNA 奈米技術與腫瘤醫學

美國俄亥俄州立大學郭培宣教授分享，生物馬達有線性（linear）、自轉（rotation）、公轉（revolution）等類型，而公轉馬達由他們發現，接著他們建構 Phi29 DNA 組裝馬達。有別於傳統 RNA 研究以 2D/3D 結構為主，他們開發出新的 RNA 奈米是 4D 結構，利用重新改變結構的 RNA 片段，建構出超穩定的 RNA奈米顆粒，且其熱動力學的穩定性高過於 DNA。該 RNA奈米顆粒可納入沉默基因的小干擾 RNA，調控基因表獻的 micro-RNA，標靶癌細胞的核酸適體，或是能夠催化化學反應的核酸酶。此外，他們在動物模型中，成功控制 RNA奈米顆粒的去向，以產生載有治療劑且能標靶三種類型癌症的胞外體，可望促進 siRNA、microRNA 和其他 RNA干擾技術等新一代抗癌藥物的開發。