一項最新研究開發出創新型人工智慧（AI）方法，運用「少樣本提示調優」（few-shot prompt-tuning）技術，大幅提升病理基礎模型對罕見癌症亞型的分類能力。這項技術旨在克服傳統模型在面臨稀有癌症數據集不足時的診斷困境，有望加速個人化治療的普及。
研究人員整合了自然語言處理（NLP）技術與計算病理學，將原本為文本處理設計的基礎模型，應用於病理影像分析。透過「少樣本提示調優」，AI模型能經由輸入中的特定提示詞（prompts），被引導至特定的診斷目標。此策略僅需少量樣本即可改善罕見癌症的分類表現，相較於傳統端到端（end-to-end）訓練所需的大量註釋，效率顯著提升。研究更將生物醫學知識融入提示設計，促進AI系統與病理學領域之間的互動。
該方法已在公開的病理影像數據集上進行了嚴謹的實驗，結果顯示，相較於基準模型，其在準確度、F1分數和ROC曲線下面積等方面均有顯著提升。該技術也展現出對各類癌症的良好可擴展性，無論是罕見或常見癌種均能有效應用。此外，利用注意力熱圖（attention heatmaps）等視覺化技術，也能讓研究人員了解AI在病理切片影像中，哪些區域對分類決策的貢獻最大，增加了模型的透明度與可解釋性。
精準且及時的罕見癌症亞型診斷，直接影響治療選擇、預後評估及病患預後，有望加速個人化治療的啟動並提高存活率。這項突破也有助於癌症研究，透過協助建立更同質性的隊列，以進行罕見癌症亞型的分子與基因分析。研究團隊強調，這項成果突顯了AI研究、臨床病理學與腫瘤學之間跨領域合作的重要性，並同時關注持續的模型驗證、數據隱私保護及專家監督整合等倫理考量。
此項研究成果，對於全球智慧醫療與生技產業的發展，提供了重要的啟示與潛在應用方向，尤其是在面臨醫療數據稀缺挑戰的領域。
