當 AI 知道自己「沒把握」：從光學研究走向醫療 AI 的新嘗試

在博士班的過去幾年，我的研究大多圍繞在計算光學（computational optics）、全像術（holography）以及人工智慧在光學系統中的應用。例如，我們利用 AI 來設計新型光學元件、改善成像品質，或建立更高效的計算成像系統。這些研究的核心問題通常是：「如何讓光學系統表現得更好或達成更複雜的功能？」

然而，最近發表的一項研究，代表了我研究方向中的一次新嘗試。

這一次，我們不再只是把 AI 當成提升光學性能的工具，而是從臨床需求出發，思考如何利用 AI 協助疾病診斷，並進一步回答一個我認為在醫療領域非常重要的問題：如果 AI 不確定自己的判斷，它是否能夠誠實地說出來？

數位病理與AI

近年來，人工智慧（AI）正快速改變醫療領域，其中數位病理（digital pathology）被認為是最有潛力的應用之一。透過 AI 分析病理切片，不僅能協助病理醫師提高效率，也有機會讓診斷更加一致、客觀。

然而，如果 AI 給出錯誤的判斷，後果可能相當嚴重。

在醫療領域中，一個理想的 AI 系統不只要「會判斷」，更要知道自己什麼時候「沒有把握」。

最近，我們在 UCLA 完成的一項研究，便是希望解決這個問題。我們結合了無鏡頭全像顯微技術（lensfree holography）與具有不確定性評估能力的人工智慧，建立了一套可自動評估乳癌 HER2 表現的診斷平台。

HER2 為什麼重要？

HER2（Human Epidermal Growth Factor Receptor 2）是一種與乳癌密切相關的蛋白質。病理醫師通常會根據組織切片中 HER2 的表現程度，將病人分為 0、1+、2+ 或 3+ 等不同等級。

這個分級結果會直接影響病人的治療策略。

例如，HER2 陽性的患者可能適合接受標靶藥物治療，而錯誤的 HER2 分級可能導致病人失去接受有效治療的機會，或接受不必要的治療。因此，HER2 評估一直是乳癌診斷中的重要環節。

傳統數位病理的限制

目前大部分的數位病理系統都依賴高階光學顯微鏡。

這些系統通常需要：

• 高品質成像鏡頭
• 精密的機械對焦系統
• 複雜的光學校正與對準

雖然可以提供優異的影像品質，但設備昂貴、體積大，也限制了其在基層醫療或資源有限地區的普及。

因此，我們希望探索：是否能利用更簡單、更低成本的成像方式，同時維持足夠的診斷能力？

用「沒有鏡頭」的顯微鏡觀察病理切片

在這項研究中，我們使用的是一種稱為「無鏡頭全像顯微術（lensfree holography）」的技術。

與傳統顯微鏡不同，這套系統完全不需要成像鏡頭。

當雷射光照射到病理切片時，感測器會直接記錄下組織產生的光繞射訊號（diffraction patterns）。接著，我們利用計算演算法重建出組織影像，再交由深度學習模型進行分析。

這種架構具有幾項優勢：

• 硬體簡單、成本較低
• 不需要機械式對焦
• 不需要精密光學對準
• 可同時拍攝大面積樣本，具有高通量特性

我們的系統每分鐘可完成約 84 mm² 的組織掃描，單次成像視野可達約 1,250 mm²，非常適合大面積病理切片分析。

AI 不只給答案，還告訴你它有多確定

即使 AI 模型準確率很高，在臨床應用中仍存在一個重要問題：

AI 是否知道自己什麼時候可能判錯？

為了解決這個問題，我們在模型中加入了 Bayesian uncertainty quantification（貝氏不確定性分析）。

除了輸出 HER2 分級結果之外，模型還會同時估計自己的信心程度。

換句話說，系統不僅會說：

「我認為這個樣本是 HER2 3+。」

還會進一步說：

「我對這個判斷非常有信心。」

或是

「這個案例我不太確定，建議交由病理醫師進一步確認。」

這種「知道自己不知道」的能力，在醫療 AI 中尤其重要，因為它能避免過度相信低信心的預測結果，進一步提升系統的安全性與可信度。

研究成果如何？

在一組包含 412 個乳癌組織樣本的盲測資料集上，我們的系統達到：

• HER2 四分類（0、1+、2+、3+）準確率：84.9%
• 臨床上重要的二分類（0/1+ 與 2+/3+）準確率：94.8%

更重要的是，透過不確定性分析，我們能夠有效找出容易出錯的案例，並在這些案例中達到超過 30% 的錯誤修正效果。

這表示 AI 並非盲目地對所有病例做出判斷，而是能夠主動標記出需要人工複核的樣本，形成更可靠的人機協作模式。

這項研究的重要性是什麼？

我認為，這項工作的意義並不只是提升 HER2 診斷準確率。

更重要的是，它展示了一種新的醫療 AI 發展方向：

未來的醫療 AI 不應只是追求更高的準確率，更必須具備可信度（trustworthiness）。

透過將不確定性分析與計算成像技術結合，我們希望建立一種兼具：

• 低成本
• 高通量
• 可擴充性
• 可解釋性
• 高可信度

的新型病理分析平台。

除了 HER2 之外，這套方法未來也有機會延伸到其他癌症生物標記、免疫染色分析，以及更廣泛的數位病理應用。

我們期待，這類結合 AI 與計算光學的技術，能夠讓高品質癌症診斷服務更普及，進一步造福全球更多患者。

個人心得

對我而言，這項研究最有趣的地方並不只是模型達到了多少準確率，而是讓我重新思考人工智慧在醫療中的角色。

在許多 AI 研究中，我們習慣追求更高的 accuracy、更低的 error。但在醫療場景中，我逐漸體會到，「知道什麼時候不該相信 AI」可能和「提高 AI 準確率」同樣重要。

我相信，未來真正能走入臨床現場的 AI，並不是一個永遠給出答案的系統，而是一個知道自身限制、能夠與醫師合作的人機協作系統。

這項工作也是我第一次更深入地將自己的光學背景與醫療應用結合。從光學硬體設計、計算成像，到 AI 與數位病理，我很期待未來能持續探索更多跨領域研究的可能性。

延伸閱讀

本研究已發表於 Biomedical Engineering Frontiers：

Che-Yung Shen, Xilin Yang, Yuzhu Li, Leon Lenk, Zixiang Ji, and Aydogan Ozcan, “Automated HER2 scoring with uncertainty quantification using lensfree holography and deep learning," Biomedical Engineering Frontiers (2026).

論文連結： https://spj.science.org/doi/10.34133/bmef.0278

---

如果您對計算成像（computational imaging）、人工智慧醫療（AI for healthcare）或數位病理（digital pathology）有興趣，也歡迎與我交流討論。