你能想像一種直徑只有 30-150 奈米的小囊泡，竟蘊藏著我們身上每顆細胞的小秘密嗎？科學家稱這些小囊泡為胞外體。

胞外體具有雙層磷脂質的構造，能夠包裹源自於上游細胞的 DNA、RNA 及蛋白質（圖一 b），經由血液（或其他體液）運送至下游細胞（圖一 a）。近年來，科學家發現胞外體在許多疾病中皆扮演著相當重要的角色，例如：癌症、免疫 與神經相關疾病。因此，胞外體已被視為診斷疾病的重要依據！

2006 年，一篇發表於 PNAS 的研究揭開了胞外體與阿茲海默症的關係^[1]。類澱粉蛋白堆積是阿茲海默症患者腦部的病理變化，科學家發現血液中也有一群壞胞外體攜帶著這種蛋白質，因此胞外體檢測裝置便如沐春筍般地出現了，例如：APEX 微陣列晶片。直到目前為止，科學家對胞外體的研究大多停留在其包裹的物質，包含 Aβ、Tau、miRNA。然而，分析這些生物分子必須經過較多程序才能診斷疾病，因此吳佳慶教授將目光轉向「胞外體的形狀」，探討胞外體形狀與疾病是否有關聯性，以縮減疾病診斷所需的時間和程序。

在資訊發達的現代人手一機，手機功能更是日新月異，例如：Face ID（臉部辨識系統）能夠幫助使用者快速解鎖手機，其背後功臣其實是「人工智慧」^[2]！

1950 年代，人工智慧 (Artificial intelligence) 一詞出現於電腦科學領域，指的是能夠模仿人類智慧以完成複雜任務的科技，並且在速度、成本與準確度上超越人類 ^[3]。想像一下，當一位老師要教導孩童甚麼是「救護車」時，最簡單的方法就是拿著救護車的照片、告訴孩童救護車的外型和特徵，例如：車體是長方形的、會發出歐伊歐伊的聲響、車速很快等，並且每天不斷地幫他們複習，久而久之孩童在路上看見一樣或類似的車種時，便能很快地指認出是「救護車」。而在人工智慧的運作中，我們就是那位老師，而人工智慧就是那些接受教育的孩童。透過教育、練習、教育、練習……，人工智慧便能成為某項任務或領域的小幫手（圖二）！

近年來，人工智慧不斷地往生物醫學領域邁進，例如：醫學影像分析、基因體定序與臨床診斷等。其中，人工智慧在醫學影像分析上的應用最多，包含眼科、皮膚科及放射科。根據統計，糖尿病患者在 15 至 20 年後，有很高的機率患有視網膜病變 ^[4]。因此，一家位於印度的眼科照護中心便採用了一種自動辨識視網膜病變的人工智慧，快速診斷受測者罹患糖尿病的機率。說到這裡，你是不是也跟我有同樣的想法？人工智慧或許可以幫助我們辨識胞外體形狀，成為診斷疾病的一大利器（圖三）！

訓練人工智慧分析影像，通常要透過工程師撰寫程式語言才能達成，例如：AlexNet、VGG19、GooLeNet、Inceptionv3、Xception 等，既耗時又傷財。不過幸運地是，Google 在近期推出了「Teachable Machine」！Teachable Machine 是一個使用上相當簡單的網路工具，只要上傳影像、聲音或動作，不過幾分鐘的時間，一個辨識特定影像、聲音或動作的人工智慧就能被訓練出來（圖四）。更重要的是，我們可以將人工智慧上傳至雲端或分享成網址，這對醫療診斷方面顯得相當實用又便利。

因此，吳佳慶團隊期望透過 Teachable Machine 建立一個人工智慧平台，成為醫師診斷阿茲海默症的好幫手。在開始以前，最重要的事情就是確認人工智慧判斷正常與不正常胞外體的準確率和可行性，因此我們設計了一套嚴謹的實驗方法與分類標準（圖五）。首先，為了取得正常與不正常的胞外體，我們會從發炎細胞的培養液中分離胞外體，並使用液態電子顯微鏡捕捉胞外體的形態。其中，胞外體形狀接近圓形者將被歸類為正常，而不規則或非圓形者則為不正常。最後，經過 Teachable Machine 訓練，便成功建立出一個自動分辨正常與不正常胞外體的人工智慧。

測試結果顯示：利用 Teachable Machine 建立的人工智慧平台，其分辨胞外體的準確率有 72.7%、真陽性有 66.6%、真陰性有 76.9%（圖六 b），相較於其他在 ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 獲獎的人工智慧平台，有著差不多、甚至更好的表現（圖六 a）！ 此外，我們的人工智慧平台可經由以下網址使用：

https://teachablemachine.withgoogle.com/models/bx0U4jAvG/。Teachable Machine

已被證實可用於正常與不正常胞外體的辨識上，相信經過團隊的持續研究與努力，必定能夠利用 Teachable Machine 建立一個分辨阿茲海默症胞外體的人工智慧，協助醫師快速診斷、保障老年人的身體健康。