【下集】從TNBC 的細胞治療到腦類器官的鈣震盪：AI 影像分析正在改寫的下一個戰場
100% 當樣本不再是一張靜止的切片，而是會自己震盪、會對藥物即時反應、甚至正在殺死癌細胞的免疫細胞，AI 影像分析要解決的問題，就不再是「看得到」，而是「看得懂正在發生的事」。 最近跟家人聊天，聊到一個讓人心裡一沉的觀察：乳癌不知道為什麼，好像有年輕化的趨勢。更讓人意外的是，乳癌和很多其他癌症不太一樣——一旦確診，很容易得把手術、化療、免疫治療整套走完一輪，幾乎是「全餐」等級的辛苦。 我們都希望 AI 能幫人類更快攻克這些疾病。如果有一天，癌症也能像打疫苗一樣提早預防；如果研究可以更多仰賴電影裡那種精準模擬，或是晶片、類器官這樣的替代模型，不用犧牲那麼多實驗動物，也不用讓病人承受那麼多輪人體試驗的風險與等待；如果有一天，合成一款真正屬於「這一個人」的解藥，速度快到病人睡一覺醒來就好了——那該有多好。 那一天還沒到。但在實驗室裡，有些事情已經開始改變。 把免疫細胞當成藥，藥效要怎麼量？ 「全餐」裡最新的一段是免疫治療。CAR-T、TCR-T 這類細胞治療，是把病人自己的免疫細胞改造成藥，而這種藥有一個化學小分子沒有的難題：它的藥效沒辦法用純度或濃度定義，只能回答一個問題——它殺不殺得死癌細胞，殺得有多快。 過去回答這個問題靠的是終點法：流式細胞儀、LDH release，選定一個時間點，把樣本破壞掉，數還剩多少活細胞。但毒殺是一個持續數十小時的過程，終點法只能給你過程結束後的一張快照，中間發生了什麼、什麼時候開始發生，全部看不到。 終點法只留下一個數字；即時影像留下的是整條毒殺曲線——12–24 小時內就看得出不同 CAR-T 設計的高下。 一份即時 CAR-T 毒殺定量試驗換了做法：用 ImageXpress Nano 搭配 InCarta 軟體，對 CAR-T 與癌細胞的共培養進行 72 小時縮時攝影，SINAP 深度學習分割模組經過 500 次自動再訓練，學會分辨懸浮的 T 細胞與貼附的癌細胞。在高抗原表現的癌細胞株上，CAR-T 在 24 小時內就明顯聚集包圍，低抗原表現的陰性對照則持續增生；以 Cell Index（細胞數相對起始值的變化率，小於 0 即代表細胞正在死亡）量化後， 12–24 小時內就能測得清楚的毒殺效果 ，兩種 CAR-T 設計的效力高下也被明確分開——毒殺曲線本身，就成了比較不同 CAR 設...
