根據美國疾病控制和預防中心資料，結核病是世上最致命的疾病之一，2017 年有近 1 千萬人感染，其中 130 萬人死於結核病，但是，導致結核病的細菌：結核分枝桿菌，能對某些藥物產生抗藥性而難以定位。

這些新感染的病例中，有 4% 至少對兩種藥物有抗藥性，這種疾病稱為多重抗藥結核菌（MDR-TB）。另外，十分之一的人表現出對多種藥物的廣泛抗藥，即所謂的廣泛抗藥結核病（XDR-TB）。如果患者確定感染就需給予一線藥物，如果患者表現出抗藥性症狀或偵測表明該菌株不受一線治療影響，則增加二線治療。

哈佛醫學院 Blavatnik 研究所的研究人員設計了一種演算法，能偵測出治療前對常用結核病藥物的抗藥性。實驗成功在 0.1 秒內準確預測結核菌株對 10 種一線和二線藥物的抗藥性，且比類似模型的預測精準度更高。

此方法發表在《EBioMedicine》期刊，並將加至哈佛醫學院（Harvard Medical School）的 genTB 工具，genTB 工具用於分析結核病資料並預測結核病抗藥性。

哈佛醫學院的進階研究作者兼生物醫學資訊學助理教授 Maha Farhat 聲明：「抗藥形式的結核病很難被發現、難以治療，且代表患者的預後效果不好。因此，診斷時快速偵測出完整的抗藥性能力，對改善個體患者的預後、減少傳染他人至關重要。」

使藥物抗藥性偵測更快更準確

Farhat 進一步解釋，藥物敏感性偵測裝置在發展中國家很難獲得，即使在裝備精良的實驗室，也需要數週才能驗證結果。而掃描 DNA 樣本搜尋抗藥基因的新偵測方法也有局限性，主要是無法發現多種藥物的抗藥或偵測出罕見導致抗藥的基因變異。

至於全基因組測序測試，在偵測二線藥物抗藥性方面表現不佳。

相比之下，研究人員的方法利用機器學習演算法捕捉多種突變的影響。包含兩個模型：一個統計模型和一個「wide-and-deep」系統，後者將每個突變當作一個變數，變數要麼產生抗藥性，要麼沒有。

「我們的目標是開發一個神經網路模型，這種模型與大腦神經元之間的連線形成方式大致相似，」研究第一作者 Michael Chen 說。「神經網路將兩種形式的機器學習相互交叉，以辨識基因變異對菌株抗藥性的綜合影響」。

這兩個人工智慧系統培訓 3601 株抗一線和二線藥物的結核菌株，其中 1,228 株抗多藥菌株。為了在現實環境測試效能，這些模型要預測 792 個未「見過」的完全測序結核病基因組的抗藥性。

「wide-and-deep」的 AI 系統預測菌株對一線和二線藥物的抗藥性分別具 94% 和 90% 準確率，而統計模型預測菌株對一線藥物的抗藥性有 94% 預測準確率，對二線藥物預測準確率達 88%。兩種模型都能在 0.1 秒內預測菌株對一線和二線治療的抗藥性，而「wide-and-deep」模型顯示出預測極其罕見的基因突變影響能力。

研究人員稱，如果將這些模型納入臨床試驗，可使藥物抗藥性偵測更快更準確。「我們的模型強調人工智慧在結核病的作用，但重要性遠遠超過結核病。AI 透過快速合成大量資料指導臨床決策，以幫助臨床醫生在許多情況和其他疾病做出最明智的決策。」

據了解，此研究得到美國國立衛生研究院 BD2K（授予 K01 ES026835）的支援。

報導截取自 TechNews ：https://technews.tw/2019/05/03/harvard-ai-test-tuberculosis-resistance/