第 82 章
癌症 — 9
如果我們能用一個全面的測試評估一個人的免疫狀態——我稱之為「免疫組」——深入檢測我們的先天和適應性免疫，這將有助於我們發現免疫反應受損的人，這種情況通常見於老化。這可能促使我們對高風險人士使用疫苗或其他策略來增強免疫系統。目前臨床上唯一常用的免疫標記是白血球與淋巴球的比例，雖然簡單，但能預測所有主要疾病及癌症患者的結果。
胰臟癌以診斷過晚而聞名，死亡率極高。五年存活率不足10%。這點最近讓我深刻體會，因為我七十三歲、健康良好的姐夫因急性視力模糊到急症室求診，入院後經過詳細檢查發現是第四期胰臟癌引起的血栓，當時他沒有任何症狀或警告。美國每年約有五萬人死於胰臟癌，使其成為繼肺癌和結腸癌之後的第三大癌症死亡原因。
鑑於此，一項大型研究在兩個不同族群進行：丹麥超過八百萬人及美國退伍軍人事務系統約三百萬人。共診斷出近二萬八千例胰臟癌。當人工智能模型分析多年電子病歷時，能高度準確預測誰會罹患胰臟癌。在最高風險組中，五十歲及以上的每一千人中有320人發展成胰臟癌。在另一項涵蓋美國五十五家醫療機構的研究中，人工智能分析電子病歷成功區分了三萬五千名胰臟癌患者與一百五十萬名未患病者。兩項研究中，模型識別出數十個特徵，包括實驗室檢查結果、症狀、用藥及共病狀況，這些共同解釋了模型的表現。這僅是利用時間序列電子病歷的結果。
如果我們加入其他層面，例如基因組測序、掃描或血液生物標記呢？
若全基因組測序成為常規，我們就不會錯過高風險胰臟癌易感基因的資料，如BRCA1、BRCA2、PALB2、CDKN2A、ATM、林奇症候群（MLH1、MSH2、MSH6、PMS2及EPCAM）、Peutz-Jeghers症候群（STK11）及Li-Fraumeni症候群（TP53）等基因突變。利用腫瘤基因組學和人工智能分析，可以制定更成功的治療方案，並預測腫瘤在初次診斷後十年以上的復發情況。
許多患者因各種與胰臟無關的原因接受無對比劑的胸部或腹部電腦斷層掃描，但人工智能模型經過訓練，能從這兩種CT掃描中準確偵測胰臟癌，明顯優於放射科醫生，這項任務被認為困難到無對比劑掃描難以完成。這項工作已被獨立複製，能以高準確度從標準腹部CT中偵測出胰臟癌前病變。複合物碳水化合物抗原19.9（CA19-9）和膽紅素已被證明與胰臟癌相關，並能區分良性胰臟異常。我們稍後會回到胰臟癌，探討其他數據層面以預測最佳治療和患者結果。