那個被 AI 判讀救回一命的病人

AI 判讀的三種典型臨床應用

目前醫療影像 AI 的臨床應用，大致可以歸納為三種類型。第一種是「偵測型」應用，也就是在上千張切片的影像中，自動圈選出可疑的結節、出血、骨折或病灶位置，協助醫師快速定位。前述的胰臟腫瘤案例，就屬於這一類。第二種是「分類型」應用，例如判斷皮膚病變屬於良性或惡性、乳房攝影的 BI-RADS 分級輔助、或是胸部 X 光的肺炎可能性評估。第三種則是「預測型」應用，透過影像結合臨床數據，預測疾病的進展風險、治療反應或復發機率。

這三種類型的成熟度並不一致。一般而言，偵測型與分類型在特定、定義明確的任務上已有相對穩定的表現，也較容易通過法規審查；預測型則因為牽涉更多變數與較長的時間跨度，仍需更多實證支持。對醫院而言，導入 AI 不是「買一套系統」這麼簡單，而是要把 AI 嵌進既有工作流程，讓它在對的時間、以對的方式出現在醫師眼前。這也是為什麼許多醫院在導入初期，會先從「輔助篩檢」或「第二意見」的角色切入，而不是直接讓 AI 獨立作業。

三、為什麼「人機協作」比「AI 取代醫師」更接近現實？

AI 是第二雙眼睛，不是第一把刀

每隔一段時間，就會出現「AI 即將取代放射科醫師」之類的討論。這類說法往往忽略了醫療的本質：診斷從來不是單純的影像辨識，而是結合病史、理學檢查、實驗室數據、流行病學背景與病人價值觀的綜合判斷。AI 可以在影像上標記出「這裡有可疑病灶」，但它無法問病人「這個痛是飯前還是飯後比較嚴重」，也無法在病人焦慮時給予安撫，更無法承擔最終的醫療責任。

因此，目前學界與臨床實務的主流共識，是「人機協作」而非「人機替代」。AI 的角色更像是第二雙眼睛、一位不會疲倦的助手，而醫師則是整合資訊、做出決策、並與病人溝通的關鍵角色。前述案例中，如果沒有醫師願意在 AI 提示後重新檢視影像、安排後續檢查，AI 的提示也只會是一個被忽略的彈窗。換句話說，AI 提供了「發現的可能性」，但讓這個可能性變成「病人的存活機會」的，仍然是醫療團隊的專業判斷與行動。

醫師角色的轉變：從判讀者到決策者

隨著 AI 分擔部分例行的影像篩檢工作，醫師的角色也正在悄悄轉變。過去，放射科醫師大量的時間花在「尋找病灶」；未來，隨著 AI 協助初步篩檢，醫師可以將更多心力放在「判斷病灶的臨床意義」與「跨專科溝通」上。這樣的轉變，對醫療品質來說未必是壞事。當醫師不必再獨自面對堆積如山的影像，而是有系統地接收 AI 標記出的高風險個案，理論上可以將有限的注意力資源投入到最需要的地方。

但這樣的轉變也帶來新的挑戰。醫師必須學會「如何與 AI 共事」：理解 AI 的輸出代表什麼、在什麼情況下該相信、在什麼情況下該質疑。這種「AI 素養」目前在各國醫學教育中仍處於起步階段，卻很可能是未來十年醫療專業訓練中最重要的一環。畢竟，一個會被 AI 錯誤提示牽著鼻子走的醫師，和一個完全不理會 AI 提示的醫師，都無法真正發揮人機協作的價值。

四、醫療 AI 的風險與限制：我們不能忽略的另一面

偽陽性、過度診斷與「被嚇出來的病」

談醫療 AI，不能只談它救了多少人，也要誠實面對它可能帶來的問題。其中最常被討論的，就是「偽陽性」與「過度診斷」。當 AI 的敏感度被設定得偏高時，它會標記出許多實際上無害的病灶，導致病人接受不必要的進一步檢查、切片，甚至手術。這不僅增加醫療成本，也可能讓病人承受額外的身心壓力。醫學上有句話說得很好：「不是所有被發現的東西都需要被治療。」AI 讓「發現」變得更容易，卻也讓「該不該處理」的判斷變得更複雜。

此外，AI 也可能出現「偽陰性」，也就是漏掉真正的病灶。這提醒我們，AI 不是萬靈丹，它的表現高度依賴訓練資料的品質與多樣性。如果訓練資料以特定族群為主，模型在面對其他族群時可能出現偏差。這些限制並不代表 AI 不可用，而是提醒我們：AI 的輸出應該被視為「輔助資訊」，而非「最終答案」。

資料偏差、責任歸屬與黑箱問題

另一個嚴肅的議題是責任歸屬。當 AI 提示了病灶、醫師卻未採納，最後病人延誤診斷，責任該由誰承擔？反之，當醫師過度依賴 AI、導致不必要的侵入性檢查，又該如何究責？目前各國法規仍在摸索，多數傾向將 AI 定位為「輔助工具」，最終責任仍由醫師與醫療機構承擔。這也意味著，醫師必須對 AI 的输出保持批判性思考，而不能將其視為免責的擋箭牌。

「黑箱問題」則是另一個技術層面的挑戰。許多深度學習模型的決策過程難以被人類完整理解，這在醫療場域特別敏感。近年來，「可解釋 AI」成為熱門研究方向，試圖讓模型在給出判斷的同時，也能標示出它「根據哪些影像特徵」做出判斷。這不僅有助於醫師驗證 AI 的可靠性，也能提升病人與家屬的信任感。畢竟，在醫療決策中，「為什麼」往往和「是什麼」一樣重要。

五、從個案到制度：醫療 AI 要真正救命，還需要什麼？

法規、給付與醫院導入的現實門檻

一個動人的個案，要變成可複製的制度，中間隔著許多現實門檻。首先是法規。醫療 AI 屬於醫療器材，必須通過各國主管機關的審查才能上市。以台灣為例，衛福部食藥署已建立相關審查機制，但隨著 AI 模型不断更新，如何進行「版本管理」與「上市後監測」，仍是監管上的難題。其次是給付。醫院導入 AI 需要成本，包括軟體授權、硬體升級、資訊系統整合與人員培訓。如果沒有合理的給付機制或成本效益證明，許多醫院特別是中小型醫院，將難以負擔。

再來是資訊系統的整合。AI 不是裝在獨立電腦上就能運作，它必須與醫院的 PACS（影像儲存與傳輸系統）、HIS（醫療資訊系統）無縫串接，才能讓提示在正確的時間出現在正確的螢幕上。許多醫院在導入 AI 時，花最多時間的往往不是模型本身，而是這些「最後一哩路」的系統工程。這也說明，醫療 AI 的落地從來不是單純的技術問題，而是牽涉法規、財務、資訊與臨床流程的系統性工程。

醫師培訓與病人知情同意的新課題

除了制度面的門檻，人的準備同樣重要。醫師需要理解 AI 的能力邊界，知道何時該參考、何時該質疑；醫院需要建立 AI 輔助判讀的標準作業流程，明確定義「AI 提示後應如何處理」；病人則需要被適當告知「這次的影像判讀有 AI 協助」。這些聽起來瑣碎，卻是建立信任的基礎。試想，如果病人事後才知道自己的診斷過程中曾有 AI 參與，卻從未被告知，那種被蒙在鼓裡的感受，反而可能侵蝕醫病信任。

因此，「病人知情同意」在 AI 時代需要新的思考。這不必然意味著每次使用 AI 都要簽一份同意書，而是醫療機構應該以透明的方式，讓病人了解 AI 在診療中扮演的角色、它的輔助性質，以及最終決策仍由醫師負責。透明，是信任的前提；而信任，是醫療 AI 能否真正被社會接受的關鍵。

六、結語：被救回的不只是一個人

回到那位病人。他後來順利接受了手術，恢復情況良好。他的家人說，如果不是那個夜晚多看了一眼，後果不堪設想。但這個故事真正值得我們記住的，不只是「AI 好厲害」，而是它揭示了醫療 AI 最理想的樣貌：不是取代醫療人員，而是成為他們的延伸；不是製造恐慌，而是在關鍵時刻提供一個「再看一眼」的理由。

當然，我們也不該因為一個成功案例，就對 AI 產生過度的浪漫想像。醫療 AI 仍有偽陽性、資料偏差、責任歸屬與黑箱等問題需要克服；制度面的法規、給付、系統整合與人員培訓，也還有很長的路要走。但正因為有像這位病人這樣的真實案例，我們才更能看清努力的方向：讓 AI 的輔助能力，穩定地、公平地、透明地，落實在每一個需要的病人身上。

那個被 AI 判讀救回一命的病人，救回的不只是他自己。他讓我們看見，當科技被放在對的位置、以對的方式與人協作時，它真的可以改變一個人的命運。而我們現在要做的，是讓這樣的改變，從偶然的幸運，變成制度的常態。

🏠 返回首頁