有史以來最大的物理試驗

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

本文轉載自宜特小學堂〈如何利用表面分析工具，抓出半導體製程缺陷〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

半導體製程中的汙染可能導致失效，但能分析半導體表面汙染物的儀器五花八門，關鍵時機該選用哪種工具，才能快、狠、準抓出製程缺陷？

什麼是「表面分析」？

在半導體製程的研發與生產過程中，難免會產生極小、極薄的奈米級異物或汙染，這些微小的缺陷可能會造成元件電性異常，導致阻值偏高、短路、漏電，甚至是封裝階段的脫層或植球失敗。雖然常見的微粒異物可透過光學或電子顯微鏡檢測，但某些汙染層如表面氧化或微蝕殘留，僅僅只有數奈米厚，與原本材料性質不同，這些肉眼或顯微鏡看不到的異物分析，就必須依賴高精度的表面分析工具來追根究柢，找出問題根源。

各種表面分析工具，分別該在什麼時機點使用？   

觀察表面高低起伏形貌與尺寸量測- SEM

在一般材料分析應用中較為人熟知的掃描式電子顯微鏡（SEM），主要是觀察表面的高低起伏形貌或尺寸量測，藉由電子掃描樣品表面擷取二次電子的訊號來成像，也可以搭配 X 光能量分散光譜（EDS）探測器鑑別表面的元素成分。然而 EDS 所蒐集的，是來自於表面以下數百奈米深度的特性 X 光訊號，反倒在最表面幾個原子層數奈米厚度的汙染，卻是很難被偵測到的。

氧化、腐蝕或污染之奈米薄膜鑑定- AES／XPS

歐傑電子能譜儀（AES）。圖／宜特科技

當 SEM-EDS 無法偵測到的表面汙染，就得仰賴奈米薄膜的檢測工具-歐傑電子能譜儀（AES）或 X 光光電子能譜儀（XPS），這兩種分析儀最常被用來檢測如氧化、腐蝕或污染的鑑定，甚至能搭配氬離子濺蝕的縱深分析技術，即可進行氧化或腐蝕層厚度的分析。

下圖為典型 AES 分析 IC 鋁墊（Al pad）表面成分的定性分析結果。左圖的能譜分析顯示表面偵測到殘留的元素有 C、O、F 和Al；右圖則是縱深（Depth profile）分析的結果，可以觀察到各種元素的含量隨深度變化的分布情形，亦可提供預估氧化層或表層 F成分汙染的厚度，分別為 24nm 與 13nm。這類汙染可能來自鋁墊在開窗（Opening）製程中會使用 CF₄ 氣體進行乾蝕刻，或是存放時間過久導致的氧化腐蝕殘留，這是影響後續封裝打線接合品質的重要參考指標。

此外，針對先進 3D 封裝製程，AES 的微電子束可用於分析 TSV導通孔，在蝕刻製程後側壁的殘留，及銅柱（copper pillar）製程中表面的氧化狀況，甚至能進行孔壁內部或直徑在數十微米以下的bump 進行極細微的表面殘留分析。

但由於激發源是使用電子束（Electron beam），在分析非導電材料時，可能會發生表面充電效應（Charging effect）現象，干擾歐傑電子訊號的擷取。AES 與 EDS 的量測深度不同，EDS 是可以在樣品表面鍍一層金屬來做導電，然而 AES 的樣品卻無法用同樣手法處理。因此，無法分析絕緣樣品是其最大的缺點。

非導電、大於十微米以上的樣品表面檢測- XPS

對於表面尺寸大於 10 微米以上的樣品，可採用 X 光光電子能譜儀（XPS）進行表面分析。XPS以 X 光作為激發源，分析範圍較大，適用於 30 微米以上的樣品，例如：IC 鋁墊、PCB 金墊、金手指、封裝用錫球及焊點等。

對於非導電的樣品 XPS 也是極佳的表面分析工具。例如，IC 鋁墊周圍的絕緣護層 SiNx、PCB 銅線路外的絕緣綠漆，以及 RDL／UBM 製程線路外的 PI 或 PBO 絕緣層等，都可以透過 XPS 進行分析。下圖顯示在 PI 層上觀察到蝕刻後殘留微量的 Ti 金屬，這可能導致 bump 漏電問題，因此而成為在 UBM 製程觀察的重要指標。

由於 XPS 是透過觀察電子束縛能（Binding energy）來進行分析的技術，利用高分辨化學位移（Chemical shift）來判斷化學鍵結的型態。下圖為鋁墊經蝕刻製程後，表面生成了橢圓形汙染物，透過能譜化學位移擬合（Curve Fitting）分析，結果顯示束縛能分別對應 78.7eV 的 [AlF₆]^3-、76.3eV 的 AlF₃ 與 74.5eV 的微量 Al₂O₃，證實這三種化學態共存於汙染物中。

除了這類蝕刻製程的生成物分析外，XPS 也可以用於陶瓷薄膜材料的製程研究，利用擬合分析技術進行化學態鍵結比例的分析，為後續製程調整與改良提供參考依據。

黃光/蝕刻製程等高分子有機化合物的定性分析- SIMS

另一種靈敏度更高的表面分析工具是「飛行時間式」二次離子質譜分析儀（TOF-SIMS），其主要採用「離子源」進行靜態（static）表面成份的定性分析。不同於一般磁偏式（Magnetic sector）SIMS 或 XPS 作動態（dynamic）縱深的定量分析，TOF-SIMS 是採用非連續性的脈衝式一次離子源，因此，轟擊樣品時產生的表面能與電荷量可大幅減少，再配合適當的電荷補償，非常適合用於絕緣有機材料的分析。

若前述在 AES 或 XPS 定性分析的結果，顯示待測樣品含有 C、N、O 這類元素時，並且製程中可能涉及高分子有機材料。此時若需要具體了解是哪種有機化合物，就可以使用 TOF-SIMS 的質譜分析進行精確鑑定。例如：在黃光、蝕刻製程或清洗後的缺陷汙染，通常伴隨著有機溶劑或光阻等殘留，就非常適合使用 TOF-SIMS 來進行分析。

除了上述關於表面污染的定性成份分析技術外，其它像是數個奈米厚度的超薄膜，亦可借助的表面分析儀器如原子力顯微鏡（AFM）、X 光繞射儀的 X 光反射（XRR）分析技術，進一步獲取樣品奈米表面形貌、粗糙度，或是厚度等的資訊，為製程開發與品質管理提供更完整的分析依據。（進一步閱讀：借力三大工具，精準量測樣品表面粗糙度）

樣品該如何選擇適合的表面分析工具？一張表解決痛點！

當遇到形貌、外觀、顏色甚至電性都不同的各種樣品，該如何選擇正確的分析工具，或是先該從哪一個方式著手？由於每種儀器能夠承載的樣品空間並不固定，並且能夠分析的範圍也都相異。宜特表面分析實驗室準備以下圖表，讓您可以更清楚了解如何根據汙染物的預估深度、尺寸以及希望觀察的濃度大小，來進一步了解分析流程。

假設發現的異物汙染無法用顯微鏡確認大小或尺寸，僅確定是局部異常變色，可以先使用 XPS 分析；若 XPS 分析結果是 C、N、O這三個元素，極可能為有機汙染。若要進一步鑑定是哪種有機物，就可以用圖表最末端的 FTIR 或 TOF-SIMS 分析鑑定，以確認汙染來源與成分。

當您遇到難以判斷的狀況或是樣品尺寸不符的窘境，或是想要更清楚如何根據樣品尺寸、大小、汙染處選擇正確的分析儀器嗎？歡迎洽詢宜特官方Line帳號 或來信至 marketing_tw@istgroup.com，我們將奉上一張精心製作的圖表，協助您更加了解表面分析工具。

本文出自 www.istgroup.com。

• 作者／照護線上編輯部
• 本文轉載自 Care Online 照護線上《新一代口服BTK抑制劑突破治療困境，原發性中樞神經系統B細胞淋巴瘤PCNSL標靶治療解析，腫瘤專科醫師圖文懶人包》，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 70 歲的男士，因為經常頭痛而就醫，進一步檢查後確診為原發性中樞神經系統 B 細胞淋巴瘤，並開始接受一線化學治療。」童綜合醫院血液腫瘤科主任沈俊佑醫師表示，「高劑量化學治療導致多種副作用，讓患者難以承受，腦部腫瘤也持續擴大。」

經過討論後，醫療團隊決定為患者申請使用標靶藥物–新一代口服 BTK 抑制劑。沈俊佑醫師說，因為新一代口服 BTK 抑制劑的副作用較少，且治療方式從住院化療轉為門診口服，大幅改善了生活品質，也讓患者願意繼續接受治療。

頭痛、視力模糊為 PCNSL 常見症狀 嚴重壓迫腦部恐危及生命

原發性中樞神經系統 B 細胞淋巴瘤（Primary Central Nervous System Lymphoma, PCNSL）是一種罕見的非何杰金氏淋巴瘤，主要影響中樞神經系統，包括腦、脊髓、腦膜等。沈俊佑醫師指出，由於淋巴組織不存在於中樞神經系統中，因此淋巴瘤較常見於身體其他部位。然而，有部分病患的 B 細胞淋巴瘤僅局限於中樞神經系統內，被稱為「原發性中樞神經系統B細胞淋巴瘤（PCNSL）」；如果是後來才轉移至中樞神經系統，則被稱為「續發性中樞神經系統B細胞淋巴瘤（SCNSL）」。

在台灣，PCNSL 每年新診斷病例約 80-120 位患者，且多發生於 60 歲以上的年長族群^[1]。沈俊佑醫師說，由於 PCNSL 較罕見且診斷需要靠腦部切片等侵入性檢查，患者及家屬可能會對相關檢查感到猶豫，容易有確診數被低估和延遲治療的情形。而針對常見症狀，PCNSL 的症狀會因為腫瘤的發生位置所對應腦部功能，而有所不同，因此症狀可能包括頭痛、視力模糊、感覺或運動異常、認知或行為改變等，有些患者的症狀會類似腦中風，經過進一步檢查後，才發現是腦部腫瘤。如果腫瘤壓迫腦部而影響呼吸、心跳速率，或導致腦壓升高，嚴重的情況會危及生命。

一線傳統治療副作用多難以承受 新一代口服 BTK 抑制劑突破治療困境

原發性中樞神經系統 B 細胞淋巴瘤 PCNSL 的治療包括化學治療、標靶治療、手術治療等。沈俊佑醫師說，目前的一線治療是使用高劑量的化學治療為基礎的治療療程，如果腫瘤導致腦壓升高，則可能需要另安排手術縮小腫瘤、降低腦壓，以利患者接受後續的治療。

「因為血腦屏障會影響藥物進入腦部，所以需要使用高劑量化學治療，以提升腦部的藥物濃度。」沈俊佑醫師說，高劑量化學治療可能出現貧血、食慾不振、口腔或胃腸道潰瘍、肝臟或腎臟功能損害等副作用，必須密切監測並及時處理。

針對傳統一線治療後無效或復發的原發性中樞神經系統 B 細胞淋巴瘤 PCNSL 成人患者，現在有新一代口服 BTK 抑制劑可以使用。沈俊佑醫師表示，新一代口服 BTK 抑制劑能夠順利通過血腦屏障，且相較於傳統化學治療，BTK 抑制劑可以精準作用於腫瘤細胞，較不會對正常細胞造成影響，副作用發生風險較低，又因其為口服劑型，不需長時間住院接受靜脈注射化療，僅需在門診領藥，並按時服用即可，大幅減輕患者和家屬的負擔，有助於維持患者的生活品質。建議 PCNSL 患者與家屬多與主治醫師詳細討論，共同擬定治療計畫，爭取較佳的預後！

筆記重點整理

• 原發性中樞神經系統 B 細胞淋巴瘤（Primary Central Nervous System Lymphoma, PCNSL）是一種罕見的非何杰金氏淋巴瘤，主要影響中樞神經系統，包括腦、脊髓、腦膜等，可能的症狀包括頭痛、視力模糊、感覺或運動異常、認知或行為改變等。
• 原發性中樞神經系統 B 細胞淋巴瘤 PCNSL 的一線治療主要是以高劑量化學治療為基礎的治療療程。高劑量化學治療可能出現貧血、食慾不振、口腔或胃腸道潰瘍、肝臟或腎臟功能損害等副作用，必須密切監測並及時處理。
• 針對傳統一線治療後無效或復發的原發性中樞神經系統 B 細胞淋巴瘤 PCNSL 患者，現在有新一代口服BTK抑制劑可以使用。BTK 是活化惡性B細胞的重要訊息傳遞因子，新一代口服 BTK 抑制劑可以精準抑制 BTK，進而抑制 B 細胞淋巴瘤的增殖並誘導凋亡。
• BTK 抑制劑能夠順利通過血腦屏障進入腦部。相較於傳統化學治療，新一代口服BTK抑制劑可以精準作用於腫瘤細胞，較不會對正常細胞造成影響，副作用發生風險較低，有助於維持患者的生活品質。此外，其便利的口服劑型提高了患者的治療順從性，更有助於控制疾病。

參考資料：

[1] 107-111年癌症登記報告

• 本文轉載自 Care Online 照護線上《新一代口服BTK抑制劑突破治療困境，原發性中樞神經系統B細胞淋巴瘤PCNSL標靶治療解析，腫瘤專科醫師圖文懶人包》，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