AI病理模型輔助判斷阿比特龍受益族群

發布時間:2026年06月09日 19:53 作者:長歡閣

UroToday 於 2026 年 6 月 8 日整理一篇發表於 Annals of Oncology 的前列腺癌研究,內容聚焦數位病理與臨床資料組成的多模態人工智慧模型,是否能協助判斷高風險、非轉移性攝護腺癌患者,哪些人較可能從阿比特龍加用治療中獲益。這項分析使用 STAMPEDE 兩項第三期試驗資料,屬於既有隨機試驗資料的事後生物標記分析。

攝護腺癌病理切片示意圖

研究團隊納入 1,137 名患者,其中 583 人接受長期雄性素剝奪治療合併放射治療,554 人在相同基礎上加用阿比特龍。模型使用數位病理影像、PSA、腫瘤分期與年齡等變項,將患者分為 MMAI 極高風險組與標準高風險組,主要觀察指標為無轉移存活期。

關鍵重點整理
  • 研究資料來自 STAMPEDE 平台兩項第三期阿比特龍試驗。
  • 分析對象為高風險、非轉移性攝護腺癌患者,共 1,137 人。
  • MMAI 極高風險組加用阿比特龍後,5 年無轉移存活率由 62% 提高至 81%。
  • 標準高風險組的 5 年無轉移存活率差異較小,約為 82% 與 84%。

結果顯示,在 MMAI 極高風險組 268 名患者中,加用阿比特龍與無轉移存活改善相關,風險比為 0.47,5 年無轉移存活率從長期雄性素剝奪治療組的 62%,提高到加用阿比特龍組的 81%。相較之下,在 MMAI 標準高風險組 869 名患者中,加用阿比特龍的效益較有限,風險比為 0.83,5 年無轉移存活率約為 82% 對 84%。治療與生物標記交互作用的 p 值為 0.02。

研究作者認為,這類模型若經進一步驗證,未來可能用於協助治療強化決策:讓最可能受益的患者接受加用治療,同時減少部分患者承擔不必要毒性與成本。不過,這項研究仍是事後分析,並不等同於新的臨床標準;實際治療仍需依疾病分期、身體狀況、藥物風險與醫師評估綜合決定。

資料來源

關鍵詞: 攝護腺癌 阿比特龍 數位病理 人工智慧 STAMPEDE