頸部腫塊、聲音沙啞、吞嚥不適，甲狀腺癌檢查及治療

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

本文轉載自顯微觀點

畫面中以腫瘤與腸道的交界處作為分割，上方為十二指腸的腸絨毛血管和神經網絡，下方則是侵襲的胰臟癌腫瘤，呈現出生命與疾病在邊界對峙的氛圍

連2024台灣顯微攝影競賽評審都忍不住讚嘆：「影像具有魄力與情緒渲染力，讓人直觀感受到人體對抗癌症的不適和緊張。」

這幅「劍拔弩張」的影像由中研院基因體中心的博士後研究員簡宏任所拍攝。他目前的研究主題之一為探討胰臟癌的漸進發病過程中，出現的病變（lesion）和微環境變化。

他提到拍攝這張影像契機是當時正在做腫瘤轉移的試驗，正巧收到這個小鼠胰臟樣本。

「那隻老鼠的胰臟腫瘤剛好長在十二指腸的旁邊」，簡宏任表示，胰臟有很多神經，而胰臟癌特別之處在於腫瘤長大後，神經也會跟著長進去。

「但腫瘤中的神經從哪裡來？是從胰臟裡面自己長進去，還是從旁邊的器官？以概念上來說，你各自的器官神經理論上應該不會交錯吧！」但過去很少有人做過這樣的觀察和研究，而透過顯微鏡的觀察，發現神經從十二指腸的肌肉層，沿著血管長到胰臟腫瘤裡面。

「下面這是腫瘤範圍，神經會長進去耶！這還滿神奇的」，簡宏任一邊對著影像比劃，一邊興奮地分享研究發現。

胰臟癌很難治療的原因之一是腫瘤中沒有或是很少具有免疫細胞浸潤，即無免疫源性的腫瘤－「冷」腫瘤。但從影像中看到標記成藍色的免疫細胞順著血管和神經的網路進到腫瘤生長區域。「可見免疫細胞其實是可以進去的，但是為何這些免疫細胞無法發揮殺死癌細胞的作用或是僅駐留在腫瘤中的局部位置」，簡宏任坦言目前還沒有答案。

雖然對於免疫細胞和癌症之間的作用尚無明確解答，但影像的呈現仍然多少解開過去對於神經、血管和腫瘤之間如何交錯的疑惑。簡宏任表示，這都得歸功於3D組織學技術的發展。

器官很大病變很小 從2D走向3D找目標

胰臟癌又稱為「癌王」，因為癌症初期病人沒有任何不適，加上胰臟在腹腔深處，難以用超音波早期發現癌症病變，等到壓迫到其他器官出現腹痛、胃口差等症狀，腫瘤都已長得很大或是出現轉移，惡化速度快。

簡宏任研究的一部分就是觀察癌前病變的病理樣態。

胰臟很重要的功能分為內分泌和外分泌。內分泌為分泌胰島素調解血糖，外分泌則是分泌胰液含有多種消化酵素，進行醣類、蛋白質、和脂肪的消化作用。

簡宏任表示，胰臟腺泡細胞分泌的消化液需要透過導管結構送到消化系統，而研究發現這種導管結構可能會出現癌前病變，這些病變稱為胰臟上皮內瘤樣病變（pancreatic intraepithelial neoplasia, PanIN）。而PanIN也可能會由胰腺泡到導管化生（acinar-to-ductal metaplasia, ADM）發展而來。病變的進展是多重步驟的過程，除了病變細胞本身基因層面的改變之外，外在的微環境也會影響這些PanIN的發育。

因為胰臟組織裡細胞種類眾多，不同種類細胞的組成可能塑造出適合病變成長的環境；雖然這些病變並不一定最後都會走向癌症。而他所待的胡春美老師研究室，就在關注病變過程微環境的變化。

另一方面，胰臟癌難以早期發現，通常是轉移到肝臟，發現肝臟腫瘤後才回頭找出胰臟腫瘤。而發生遠端轉移之前，從原位胰臟腫瘤脫離的細胞團可能在血液中循環，這些細胞團被稱為循環腫瘤細胞簇（Circulating tumor microemboli, CTM）。

簡宏任另一部分的研究重心便是放在這些循環腫瘤細胞簇的特徵及其是否有喜歡的微環境，藉以找出可能的轉移熱點，以更好地了解癌症轉移並尋找治療的契機。

然而微環境「長成什麼樣子」，難以用一般分子生物的技術觀察，必須整合病理學的技術來「看見」其真實的樣態。

「但問題又來了，要怎麼找到這些小小的、開始發生病變的位置？」簡宏任說，在模式小鼠中，胰臟病變的平均直徑僅約100至200微米（µm，micrometer），以老鼠胰臟2公分乘以1.5公分的面積、厚度0.5公分來看，一個病變保守估計可能只佔胰臟體積的十萬分之一到百萬分之一。

過去受限於常規組織學技術的切片方法，研究者只能製備厚度3到5微米左右的樣本，以觀察組織薄片上二維（2D）空間的訊息。而且切片過程不僅得破壞樣本，對於無法明確知道起始位置、難以定位的目標來說，也無法準確擷取到想要的影像。

但是組織透明化技術允許研究者在不切片或是增加切片厚度的方式下製備出「厚」樣本，如此一來樣本就能保有立體的三維（3D）空間訊息。使用3D組織學技術便可以看到整體結構，再去找尋「不一樣」、「可能是病變」的部位加以觀察、分析。

簡宏任表示，3D組織學技術對於觀察隨機分布或是網狀、網路性質的結構特別有利。

組織透明化技術

使用光學系統觀察生物組織時，常會面臨因為光散色（light scatter ）的問題，觀察深層樣本時會因為難以對焦而模糊。就算使用連續薄切片再3D重建，不僅耗時費力也常發生影像對位不易或是資訊不連續的問題。組織透明化技術則是將組織內部不同構成物質的折射率趨近一致化，將組織呈現出透明的效果。

不過3D組織學技術並不是這麼簡單，其中組織透明化是十分關鍵的步驟。2010年代初期第一代透明化技術出世後，應用這項技術的研究開始變得熱門，但主要都是以大腦為研究主體並加以改良。然而像是胰臟或是其他器官，當時應用此技術的研究較少且製備高品質樣本的過程充滿挑戰。

簡宏任提到，以胰臟為例，製備透明胰臟樣本的難處在於，作為消化器官的胰臟本身會分泌消化液。當實驗進行，老鼠一犧牲，血液停止循環時，那些消化液就「停留在原地，開始消化牠自己」。一旦前置處理不理想，看到有點缺損的器官就無法判定是已經發生病變，還是被消化液破壞，影響後續的影像品質。

除了胰臟外，肝臟也是不易製備出透明化樣本的器官之一。因肝臟受到膽紅素（Bilirubin）影響而有顏色，這些色素一方面會阻擋雷射激發組織內的標定結構，也會限制激發出的螢光訊號回到偵測器。如何漂白可以達到透明化效果又不會去除掉標定的抗原，便成為一大學問。因此，透明化技術必須對應不同器官建立合適的前處理流程以提升樣本品質。

前處理之外，折射率也是需要考量的因素，簡宏任碩博班期間的指導教授湯學成提出將組織「固化」的想法。

「90%以上的透明化技術最後都處在溶劑中漂浮的狀態，雖然可以從四面八方觀察，但折射率固態大於液態，液態大於氣態。若能把折射率提升，透明度更好便能看到更多資訊」，湯學成教授的團隊反覆試驗後研發出可同時將生物樣本透明化與固化的技術。

由於光在不同介質中的因不同折射率導致光的散射。他們依據流體折射率與密度之間所滿足的Gladstone-Dale關係式，以高折射率的高n丙烯醯胺共聚物（high-n acrylamide-based copolymer）來填充組織的空隙，使折射率一致，達到透明化目的。

再進一步用紫外光（UV）照射成為固態高密度共聚物，提高折射率並成為穩定的透明樣本。

這樣的透明化技術相較過去，不僅克服組織放在溶劑裡攜帶不易、蒸發等問題，在實驗過程中也發現固體透明組織具有抗螢光淬滅（antifade）的特性。

由於使用共軛焦顯微鏡觀測時，需要使用雷射激發抗體螢光，如果照射多次可能因為螢光強度衰減而漸漸觀測不到訊號。

但是湯學成教授團隊所開發的固態透明化技術，儘管進行500次雷射掃描，螢光訊號僅下降9% ± 2%；相比其他液態透明化技術的樣本下降幅度在55%至95%，可說是非常穩定，適合長時間、多次成像。

「當別人對研究存疑時，以往只能就影片或是拍好的圖片討論，但有了這個材料，就可以將樣本直接寄給對方」，除了上述的優勢，簡宏任認為新材料還能促進學術交流。

點滿技能樹 喜獲銀獎

不過，組織透明化後雖能更加輕易找到病變位置，但拍攝「有拍照」跟「拍好照」是天差地遠的事。

「既然已經花了那麼多的精力、資源，做了這麼好的片子（樣本），那你要怎麼吸引『觀眾』（論文審查者、同儕），讓人家覺得研究、看到的東西，有那麼重要？」簡宏任認為安排顏色對比、構圖，以突顯影像中的重點是非常關鍵的。

以「對峙」這幅作品來看，簡宏任解釋，他通常將畫面面積最大的部分以白或灰等顏色處理，因此佔據畫面最大的腸道細胞以白色呈現並降低對比。至於神經與血管是他想強調的部分，便用較亮的紅、黃等色系，尤其大部分的人直覺認為血管是紅色，因此血管套上紅色，神經便給予黃色標示。免疫細胞則選擇藍色，在紅、黃色當中得以突顯，也避免以為是組織間交疊出的疊加色。紅、黃與藍的選色也應用了消減型的三原色（subtractive mixing color model）的概念，以不交疊的原色（primary color）凸顯不同結構的特色。

對於顏色、構圖呈現的敏銳度，也源自簡宏任過去的學經歷。簡宏任並非一開始就走上研究之路。國中畢業後選擇高職就讀的他，選修科目的平面設計與視覺藝術奠定了他美學的基礎；但在學術學程的課程中，他也發現自己對生物也挺感興趣，因此大學選擇分子生物暨人類遺傳學系就讀。

只是相較於「看不見」的分子生物，簡宏任更喜歡「看得見」的生物（顯微）影像。投身固態組織透明化技術的研究後，當中有些需要用到紫外光等儀器設備，也因為簡宏任高職時曾參加微控制相關的社團，喜歡動手操作，因此可以自己架設一些小型機台。

簡宏任笑說：「這次得獎算是把過去學的技能串在一起，技能樹剛好都點滿。」不過他也謙稱，得獎是運氣，在作品展看到其他人的作品時，可以看到不同技術在製備上也都有其厲害之處；銀獎抑或優選還是看評審的選擇，只能把自己最好的部分拿出來展現。

固化過程若是讓液態慢慢凝固，一方面時間漫長，另一方面容易出現不均勻的問題。因此簡宏任索性運用過去社團習得的技術，自行動手製作「固化系統」。從選擇適合波長的紫外線光源和照射時間，以避免蛋白質變性或是氣泡跑進透明化樣本，到組裝焊接，簡宏任全都自己來。

• 作者／照護線上編輯部
• 本文轉載自 Care Online 照護線上《次世代基因定序 NGS 納健保給付，幫助選擇標靶藥物，精準治療甲狀腺癌復發，專科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

「那是一位 50 多歲的女士，發現甲狀腺癌後有接受治療，但是在幾年後發現甲狀腺癌復發，並轉移至肺部。」高雄榮民總醫院核子醫學科主任諶鴻遠醫師指出，「復發的腫瘤對放射碘的反應不佳，經過標靶藥物治療後一段時間，產生抗藥性、病情惡化，這位患者也漸漸出現肋膜積水，走路會喘、躺下也會喘。」

經過討論後，患者接受次世代基因定序 NGS 檢測，發現有 RET 融合基因突變。諶鴻遠醫師建議，針對 RET 融合基因突變，患者開始接受 RET 抑制劑治療。

經過一個月的治療後，患者的症狀大幅改善、肋膜積水消退。諶鴻遠醫師發現，大概四個月後，患者再次接受放射碘治療，也能夠發揮治療成效，讓患者的狀況越來越穩定，目前持續在門診追蹤治療。

甲狀腺癌初期沒有明顯症狀，多數患者是在接受甲狀腺超音波檢查時意外發現。諶鴻遠醫師指出，隨著腫瘤變大，患者可能摸到頸部腫塊、淋巴結腫大、覺得頸部有壓迫感、頸部疼痛、或吞嚥不適。如果喉返神經遭到侵犯，患者可能出現聲音沙啞、容易嗆到等狀況。如果氣管受到壓迫，患者的呼吸也會受到影響。當甲狀腺癌轉移至骨骼、腦部、肺部等部位時，便會造成骨頭疼痛、頭痛、呼吸不適或咳嗽等各式各樣的症狀。

臨床上懷疑是甲狀腺癌時，通常會在超音波導引下做穿刺，取部分細胞出來做檢查。諶鴻遠醫師說，手術是甲狀腺癌的主要治療方式，在狀況許可時，通常會安排手術，切除甲狀腺並進行頸部淋巴結廓清。

部分甲狀腺癌患者，在開完刀還要做放射碘治療，幫助降低復發風險。諶鴻遠醫師說，完成初步治療後，患者一定要定期追蹤，醫師會視狀況安排抽血檢測包括腫瘤標記、甲狀腺功能等，影像檢查包括頸部超音波檢查、電腦斷層、腫瘤掃描等。

「甲狀腺癌患者可能在術後一、二年復發，也可能在十年後復發，所以務必定期追蹤，才能在發現復發跡象時，啟動下一階段的治療。」諶鴻遠醫師說，「復發的甲狀腺癌往往會比較棘手，而需要調整治療計畫。」

次世代基因定序 NGS，幫助擬定治療計畫

針對復發的甲狀腺癌，可能會再度進行手術與放射碘治療，然後依照患者的狀況，使用傳統的標靶藥物，一般是以抗血管新生為主的標靶藥物。諶鴻遠醫師說，隨著精準醫療的發展，目前還可以在甲狀腺癌復發時，進行次世代基因定序檢測（NGS，Next Generation Sequencing）。

精準醫療的精神是分析腫瘤的基因，然後針對不同的標靶基因，選用對應的標靶藥物來抑制腫瘤生長。諶鴻遠醫師說，在甲狀腺癌復發後，精準醫療的角色就越來越重要。

針對特定標靶基因的藥物，作用機轉較專一，能準確發揮效果，副作用也較少。諶鴻遠醫師說，例如利用次世代基因定序 NGS 驗出 RET 融合基因突變時，便能使用 RET 抑制劑，抑制腫瘤生長、促使腫瘤凋亡。

具有 RET 融合基因突變的甲狀腺癌往往惡性度較高，較容易復發、轉移，也較容易對放射碘產生抗性。諶鴻遠醫師說，接受次世代基因定序 NGS 檢測，有 5% 至 10% 的機會找到 RET 融合基因突變，年輕型的甲狀腺癌可能會有 25% 的機會找到RET融合基因突變。使用 RET 抑制劑可以幫助讓復發的腫瘤縮小、惡性度下降、讓放射碘治療無效的患者再恢復治療效果。RET 抑制劑的發展對甲狀腺癌復發的患者有很大的幫助。

取得腫瘤組織後，次世代基因定序 NGS 能夠一次檢驗多種腫瘤基因，檢測費用會隨著檢測基因的數量而有所差異，從新台幣數萬元至十萬元以上不等。諶鴻遠醫師說，如今次世代基因定序檢測 NGS 已納入健保給付，符合給付條件的患者，便能以部分負擔的方式進行次世代基因定序檢測。

由於腫瘤基因相當多，究竟要檢測哪些基因，需與臨床醫師討論後取得共識。目前健保給付甲狀腺癌患者的條件與檢測基因，也已公布如下：

貼心小提醒

甲狀腺癌患者在接受初步治療後，仍有復發的風險，請務必定期追蹤。諶鴻遠醫師提醒，在甲狀腺癌復發後，次世代基因定序 NGS 能夠幫助擬定治療策略。藉由次世代基因定序 NGS，有 5% 至 10%（年輕型高達 25%）的機會驗到 RET 融合基因突變，利用 RET 抑制劑有助於讓復發的腫瘤縮小、惡性度下降、讓放射碘治療無效的患者再度恢復治療效果，達到較佳的治療成效！

• 本文轉載自 Care Online 照護線上《次世代基因定序 NGS 納健保給付，幫助選擇標靶藥物，精準治療甲狀腺癌復發，專科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接