針對肺結核抗藥性問題，哈佛最近開了發了A.I.程戌，最快能0.1秒準確檢測。(互聯網圖片)
世界上其中一種致命傳染病「肺結核病」，根據世界衛生組織的數據，全世界每年診斷出的新病例超過1,000萬宗。而且醫學界對治療肺結核病往往挑戰重重，就是結核桿菌能迅速變形並對多種藥物產生抗藥性，加上藥物敏感性實驗耗時，從而增加治愈難度。
4%病例至少對兩種抗藥性
世衛又指出，在這些新感染中，4%病例對至少兩種藥物有抗藥性，亦稱為「耐多藥結核病」。另外十分之一的人更出現對多種藥物的廣泛耐藥性，即所謂的「廣泛耐藥結核病」。而一般確診感染肺結核，醫生會即時處方一線藥物，然而患者出現耐藥性反應及症狀時，則需要加入二線藥物治療。可惜藥物敏感性測試在發展中國家難以進行，就算擁有精良偵測儀器，仍需要數周甚至數月才可得出結果。其實要檢測所有賦予抗性突變的最佳方法，是對細菌的全基因組進行全基因組測序分析，不過其關鍵盲點在於它們無法評估各種基因和基因突變之間的相互作用，影響預測效果。
0.1秒準確檢測抗藥性
針對能有效可靠檢測對最常用藥物的耐藥性測試，最近哈佛醫學院Blavatnik研究所便設計了一個A.I.演算程式，能夠快達0.1秒準確預測結核桿菌株對10種一線和二線藥物的抗藥性，效果比同類測試具有更高的精確度。研究團隊採用了兩種演算法，一種是基於邏輯回歸分析形式的統計模型，這是一種評估一個變量對另一個變量影響的方法。
至於另一種則是神經網絡方法，它結合了廣泛學習和深度學習模式共兩種分析範圍。廣泛學習部分類似於統計模型，其中每個突變被編碼為賦予抗性或不賦予抗性的變量。而深度學習部分就評估多個基因和多個突變的交互作用。
研究發現以邏輯回歸分析形式的統計模型，對一線藥物的耐藥性預測為94%，二線藥物準確率為88%。而廣泛和深入的神經網絡模型預測，對一線藥物的耐藥性平均準確度為94%，平均為二線藥物的準確度為90%，表現稍優。研究團隊期望能將測試進入臨床試驗，以提升可靠度。根據參與研究的生物醫學資訊學助理教授Maha Farhat表示，新系統可幫助快速診斷並對症下藥，減少隨後的感染個案。此方法已發表在《EBioMedicine》期刊中，並加入哈佛醫學院的「genTB」分析平台。
(來源：Harvard Medical School)
參與研究的生物醫學資訊學助理教授Maha Farhat期望，新系統可幫助快速診斷並對症下藥，減少隨後的感染個案。(哈佛醫學院)