醫院導入 AI 判讀後，放射科醫師的一週

角色一：急診與重症的「第二雙眼睛」

星期二上午，急診送來一位車禍外傷病人，做了全身電腦斷層。AI 在脾臟周圍標記了「游離液體」，在左側第 7、8 肋骨標記「疑似骨折」，並在骨盆區域標記「疑似恥骨聯合分離」。陳醫師逐一確認後，發現脾臟周圍的液體量極少，肋骨骨折確實存在但無明顯錯位，骨盆則只是輕微分離，未達手術指標。他將這些發現整理成結構化報告，並在備註欄寫明「AI 標記之骨盆分離經量測後未達不穩定標準，建議臨床持續觀察」。

急診與重症是 AI 判讀效益最明顯的場景，因為這裡的影像量大、時間壓力高、危急個案比例也高。AI 的「第二雙眼睛」角色，主要價值在於降低「注意力疲勞」造成的漏診。根據多家醫院的導入經驗，AI 對於氣胸、腦出血、大血管栓塞等危急病灶的敏感度通常可達九成以上，但特異度會因病人族群與影像品質而異。這意味著醫師不能把 AI 當成「排除工具」，而應該把它當成「提示工具」：AI 說有，要仔細看；AI 說沒有，也不能完全放心。

角色二：篩檢與大量影像的「排序員」

星期三上午是胸部低劑量電腦斷層篩檢門診的判讀時段。這類檢查通常一次產生數百張影像，且多數病人沒有立即症狀，判讀工作容易陷入「長時間、低刺激」的狀態。AI 在這種場景中扮演「排序員」：它會依照結節大小、位置、形態與變化速度，將案件分成「優先覆核」「例行覆核」「無明顯異常」三類。陳醫師會先處理優先覆核案件，再批次處理其餘案件。

這樣的排序看似只是效率工具，實際上改變了醫師的判斷節奏。過去，醫師可能因為連續看了幾十件正常影像而進入「自動導航」模式，對細微變化的敏感度下降；現在，AI 把「可能需要多想一下」的案件集中到前面，讓醫師在精神最好的時段處理最需要判斷力的個案。當然，這也帶來新的風險：如果醫師過度信任排序，可能會對「例行覆核」類的案件投入較少注意力。陳醫師的做法是，每天至少隨機抽取五件「AI 無明顯異常」的案件進行完整覆核，作為自我品質監控。

角色三：複雜病例的「對照組」

星期四下午是多學科團隊會議（MDT），討論一位肺癌病人的術前評估。AI 在電腦斷層上標記了三個肺結節，其中兩個在右肺上葉，一個在左肺下葉。陳醫師在會議中展示 AI 的標記與自己的判讀差異：AI 將左肺下葉的結節標記為「中度風險」，但他認為該結節邊緣平滑、鈣化明顯，較可能是良性肉芽腫。他建議以正子攝影進一步確認，而非直接列入切除範圍。

這是 AI 在複雜病例中的另一種角色：它不是最終答案，而是一個「對照組」。當醫師的判斷與 AI 不一致時，與其直接否定其中一方，不如把差異當成觸發進一步檢查的訊號。這樣的流程讓 MDT 討論更有焦點，也讓臨床團隊更清楚「哪些不確定性是真實存在的」，而不是把所有壓力都丟給放射科醫師的個人經驗。

角色四：教學與品質管理的「紀錄器」

除了臨床判讀，AI 系統也在不知不覺中成為教學與品質管理的工具。陳醫師每週會撥出一段時間，回顧 AI 標記與住院醫師判讀的差異。例如，一位住院醫師在急診腦部電腦斷層中漏掉了一處小型蜘蛛網膜下腔出血，AI 有標記但住院醫師未採用。陳醫師會用這個案例進行教學：為什麼 AI 會標記？住院醫師為什麼忽略？是影像品質、窗寬窗位、還是注意力分配的問題？

這樣的教學模式比過去「師父帶徒弟看片子」更有效率，因為 AI 提供了一個客觀的「第二意見」，讓討論有具體的參照點。同時，醫院品管部門也會定期分析 AI 標記與最終報告的差異，找出系統性問題，例如某段時間的胸部 X 光偽陽性率偏高，可能是拍攝品質或病人族群變化所致。AI 在這裡的角色，從「判讀輔助」延伸為「流程監控」。

星期五：當 AI 出錯時——放射科醫師的「除錯日」

星期五對陳醫師來說，與其說是「小週末」，不如說是「除錯日」。一週累積的 AI 偽陽性、偽陰性與臨床回饋，會在這一天被集中檢視。醫院導入 AI 後，放射科多了一項過去沒有的工作：AI 錯誤分析與回饋。

偽陽性與偽陰性的臨床代價

AI 判讀的錯誤大致分為兩類：偽陽性（AI 標記了不存在或無臨床意義的病灶）與偽陰性（AI 漏掉了真實病灶）。兩者的臨床代價不同，處理方式也不同。

偽陽性最直接的代價是「過度檢查」與「病人焦慮」。陳醫師本週遇到一件案例：AI 在胸部 X 光上標記「疑似肺結節」，置信度 0.72，門診醫師據此安排了電腦斷層追蹤。陳醫師覆核後認為該陰影只是乳頭陰影與肋骨交叉造成的重疊，建議取消追蹤。這類偽陽性雖然不會造成實質傷害，但會增加醫療資源浪費與病人心理負擔。醫院目前的作法是，要求醫師在報告中明確標註「AI 標記經覆核後不採認」的理由，以便後續統計與系統調校。

偽陰性的代價則更為嚴重，因為它可能延誤治療。陳醫師每個月會參與一次「AI 漏診案例討論」，由品管部門隨機抽取 AI 未標記但最終確診的案例，分析是演算法限制、影像品質問題，還是醫師過度依賴 AI 所致。他強調：「AI 漏掉不可怕，可怕的是醫師因為 AI 沒標記，就覺得自己可以不用看。」

醫師如何向臨床團隊說明「AI 說可以，但我說不行」

AI 出錯時，最大的壓力往往不是來自技術本身，而是來自溝通。當 AI 標記「無危急異常」，臨床團隊可能據此安排病人返家或轉普通病房；如果醫師覆核後認為仍需進一步檢查，就必須清楚說明理由。陳醫師的做法是「三句話原則」：第一句說明 AI 的標記結果，第二句說明自己的影像發現，第三句說明建議的下一步與理由。例如：「AI 沒有標記明顯出血，但我在左側額葉看到一處細微高密度影，對照病人突然意識改變的病程，我建議加做血管攝影排除動脈瘤。」

這樣的溝通方式有兩個好處：一是讓臨床團隊理解 AI 只是輔助，最終判斷仍由醫師負責；二是建立「AI 與醫師不一致是正常現象」的組織文化，避免臨床團隊把 AI 當成絕對權威，也避免醫師因為「不想被 AI 比下去」而勉強順從 AI 的判斷。

週末與值班：AI 沒有下班，醫師的責任也沒有

週末值班是放射科醫師壓力最大的時段。人力較少、影像量大、臨床問題複雜，而且多數時候只有一位主治醫師或資深住院醫師負責第一線判讀。AI 在夜間與週末的輔助角色，因此特別受到關注。

夜間值班的「AI 警示」與倦怠問題

目前醫院的 AI 系統在夜間會針對危急病灶發出即時警示，例如大量腦出血、主動脈剝離、肺栓塞、氣胸等。警示會同時傳送到值班醫師的手機與護理站，目的是縮短「影像完成到臨床處置」的時間。這樣的設計確實救了幾位病人，但也帶來新的問題：警示疲勞。

陳醫師觀察到，當 AI 警示過於頻繁，尤其是偽陽性偏高時，值班醫師可能會逐漸降低對警示的敏感度，甚至出現「先看 AI 標記、再看影像」的依賴行為。這在白天有資深醫師覆核時問題不大，但在夜間單人值班時，就可能增加漏診風險。醫院目前的因應方式是設定警示門檻與分級：只有高置信度的危急標記會觸發手機警示，其餘標記則留在系統中供醫師參考。同時，值班醫師必須在報告中記錄「是否採用 AI 警示」，作為後續品質分析的依據。

責任歸屬：AI 是輔助，醫師是負責人

「如果 AI 判讀錯誤，誰要負責？」這是醫院導入 AI 時最常被問到的問題，也是放射科醫師最在意的問題之一。目前的法律與醫療實務仍然將最終責任放在醫師身上，AI 被定位為「輔助工具」，而非「獨立判讀者」。這意味著，醫師不能以「AI 沒有標記」作為免責理由，也不能把 AI 的報告直接當成自己的報告。

陳醫師認為，這樣的責任分配雖然讓醫師壓力更大，但其實是合理的，因為 AI 目前仍然無法理解病人的完整臨床脈絡。AI 可以看到影像上的異常，但看不到病人的病史、用藥、實驗室數據與病程變化；而這些資訊往往才是判斷「這個病灶重不重要」的關鍵。因此，醫師的角色不是被 AI 取代，而是被推向「整合者」的位置：整合影像、臨床資訊與 AI 提示，做出最後判斷。

一週之後：放射科醫師的角色重新定義

經過一週的觀察，陳醫師對 AI 判讀的評價是「有幫助，但不是萬靈丹」。他認為，醫院導入 AI 後，放射科醫師的角色至少出現三個明顯轉變。

從「影像判讀者」到「影像資訊整合者」

過去，放射科醫師的核心價值在於「看得準」；現在，「看得準」仍然是基本要求，但價值重心逐漸轉向「整合與溝通」。醫師需要整合 AI 標記、臨床資訊、過往影像與團隊意見，並用臨床團隊聽得懂的方式說明判斷。這意味著，放射科醫師的訓練不能只停留在影像判讀，還需要加強溝通、決策分析與 AI 素養。

從「單打獨鬥」到「與 AI 協作」

AI 不會取代放射科醫師，但會改變醫師的工作方式。陳醫師的經驗是，與 AI 協作最有效的方式不是「全盤接受」或「全盤否定」，而是「有紀律地驗證」。他建議醫師建立自己的「AI 使用守則」：例如，AI 標記的危急病灶一定要看，AI 未標記但臨床高度懷疑的區域一定要看，每天隨機抽樣覆核 AI 無異常的案件，定期檢視自己的 AI 不一致率。這些守則看起來瑣碎，卻是避免「自動化偏差」的關鍵。

醫院導入 AI 的五大實務建議

從陳醫師一週的經驗出發，醫院在導入 AI 判讀時，至少應該注意以下五件事：

結語：AI 不會取代放射科醫師，但會重新定義「好醫師」的標準

回顧這一週，陳醫師的工作內容確實變了。他花在「從頭看到尾」的時間減少了，花在「驗證、溝通、除錯、教學」的時間增加了。AI 幫他擋掉了一些重複性高的掃描工作，但也給他帶來新的壓力：他必須更清楚自己的判斷依據，更主動地向臨床團隊說明「為什麼我同意或不同意 AI」，也更警覺自己是否因為 AI 而鬆懈。

「以前覺得放射科醫師的價值就是看得比別人快、比別人準，」陳醫師說，「現在我覺得，真正的價值是知道什麼時候該相信 AI、什麼時候該相信自己，並且對自己的判斷負責。」

對醫院而言，導入 AI 判讀不是終點，而是重新設計工作流程的起點。對放射科醫師而言，AI 不是來搶飯碗的對手，而是一面鏡子：它照出醫師的判斷習慣、注意力分配與責任感。能夠與 AI 協作、又能保持獨立判斷的醫師，將會是未來醫療體系中最稀缺的人才。而這，也正是「雅寶社區 · 頂客論壇」持續關注 AI 趨勢時，最想傳達給讀者的核心訊息：技術會變，但專業判斷與責任感，永遠是醫療的最後一道防線。

🏠 返回首頁