一個獸醫用 AI 看 X 光，救了一隻老狗

這不是要苛責第一線獸醫。恰恰相反，能在這種條件下做出八九成正確的判斷，已經是專業訓練的成果。問題在於剩下那一兩成，對某些病患來說就是生與死的差別。

1-2 第二次判讀：AI 輔助系統上線

深夜急診時，值班獸醫師做了一個在幾年前還不常見的動作：他把阿福當天下午的原始 DICOM 影像重新上傳到一套 AI 影像判讀輔助平台，連同兩週前、也就是更早一次健檢時拍的胸腔 X 光一起送進去。

系統回傳的結果不是一句「有腫瘤」或「沒有腫瘤」，而是幾張疊加在原始影像上的熱區圖（heatmap），以及每個可疑區域的座標、大小估計與置信度分數。右肺後葉、靠近心臟輪廓外緣的位置，被標了一個直徑約一點八公分的圓形熱區，置信度零點八七。同時系統也標了另外兩個置信度低於零點三的區域，屬於低度懷疑，並在報告中註明「可能為血管断面或肋骨重疊偽影」。

值班獸醫師把原始影像放大到那個區域，調整窗寬窗位（windowing），才終於看見那個不對稱的圓形陰影。它一直在那裡，只是被心臟邊緣與肋骨陰影吃掉了。

後續的流程就不戲劇化了：安排電腦斷層確認位置與是否有縱膈淋巴結轉移、超音波導引細針抽吸、病理確診為肺腺癌、評估麻醉風險與飼主意願後進行肺葉切除。阿福術後恢復得比預期好，半年追蹤時仍在，雖然體力不如從前，但咳嗽沒了，夜裡也能好好躺著睡。

這個案例真正值得記錄的不是「AI 好神」，而是那個流程設計：AI 並沒有取代獸醫師的判斷，它扮演的是第二雙眼睛，而且是一雙不會疲倦、不會被門診節奏催促、不會因為「已經找到答案」就停止搜尋的眼睛。

二、獸醫用 AI 看 X 光的原理：從像素到診斷線索

很多人以為 AI 看 X 光像是「AI 直接告訴你這是癌症」。真實運作方式要複雜得多，也樸素得多。大致上可以拆成三個階段。

2-1 影像前處理與品質強化：先讓影像變得「可看」

原始 X 光影像並不是乾淨的資料。它帶著曝光參數、機器特性、體位偏移、雜訊與散射。在送進模型之前，通常會先做幾件事：

第一是標準化。把不同廠牌、不同曝光條件拍出來的影像，調整到接近的亮度與對比分布，避免模型被機器差異干擾。第二是裁切與定位。系統會先辨識出肺野範圍、心臟輪廓、橫膈位置，把不是肺部的區域降低權重，這一步通常用語意分割模型（如 U-Net 架構）完成。第三是局部對比增強。針對對比度偏低的區域做自適應直方圖均化（CLAHE）之類的處理，讓被遮蔽的小結節有機會浮出來。

第四，也是近年愈來愈重要的一步：影像品質評估。好的系統會先判斷這張片子「夠不夠格被信任」——吸氣是否足夠、有沒有旋轉、曝光是否過度或不足。如果品質太差，系統應該誠實地說「本影像不適合自動判讀」，而不是硬給一個答案。這一點在獸醫場域尤其關鍵，因為獸醫影像的品質離散程度遠高於人醫。

2-2 深度學習模型如何「學會」看胸腔

目前主流的做法是監督式學習的卷積神經網路（CNN），或者近幾年流行的 Transformer 架構。訓練資料是大量「已經被獸醫放射科專家標註過」的影像——專家在圖片上框出結節、標出肺炎區、標出氣胸範圍、標出心臟擴大程度。

模型要學的任務通常分成三類：

分類：這張片子有沒有肺水腫？有沒有氣胸？是正常還是異常？

訓練過程中，模型會不斷調整內部參數，讓預測結果盡量接近專家標註。訓練完成後，還要拿一批專家沒標過、模型也沒見過的影像來測試，計算敏感度（真的有病的抓得到幾成）、特異度（沒病的會不會被誤判）、以及 AUC 等指標。多數已發表的獸醫胸腔影像 AI 研究，在特定任務上的敏感度大約落在八成到九成五之間，但這個數字高度依賴資料集性質、病灶類型與影像品質，不能直接當成臨床萬靈丹。

2-3 熱區圖與置信度：AI 給的是方向，不是判決

對臨床人員來說，最實用的其實不是「有没有病」這個二分答案，而是熱區圖與置信度。

熱區圖的技術基礎多半是 Grad-CAM 這類方法：它把模型「關注」的區域視覺化出來，告訴你模型是根據影像上哪一塊做出判斷的。這非常重要，因為它讓獸醫師可以驗證——AI 標的這個位置，解剖上合不合理？如果熱區落在心臟正中央或氣管外面，那很可能是偽陽性，獸醫師可以憑專業否決。

置信度則是另一層保險。零點九以上的標記值得優先檢視，零點三到零點六的標記則應該「看一眼但不必過度反應」。把置信度當成「提示強度」而不是「機率保證」，是使用這類工具時最基本的心態。

換句話說，AI 的角色更像是一位不會累的實習放射師：它幫你把可能有問題的地方圈起來，但最後要不要相信、要怎麼處理，仍然是有執照的獸醫師的工作。

三、AI 在獸醫影像的現實應用與限制

回到產業現實面。獸醫 AI 影像不是實驗室裡的玩具，這幾年已經有商業產品進入市場，也有不少動物醫院開始試用。但它的成熟度離「全面普及」還有一段距離。

3-1 目前相對成熟的应用場景

以胸腔來說，AI 最有價值的三個任務是：肺部結節偵測、心臟擴大評估（特別是犬的椎心症 VHS 量測與貓的心肌症篩檢輔助）、以及肺水腫與胸腔積液的嚴重度分級。這幾類任務的影像特徵相對明確，標註一致性高，模型表現也比較穩定。

骨骼關節方面，用於髖關節發育不良的評估輔助、十字韌帶斷裂相關的關節腔變化判讀，也有不錯的進展。腹腔影像則困難得多，因為器官重疊嚴重、腸氣干擾大，目前多半停留在研究或特定任務（如膀胱結石、腎臟大小量測）的輔助層級。

此外還有一類容易被忽略但實用性很高的應用：影像品質控管與流程自動化。系統自動判斷片子是否需要重拍、自動標記左右側、自動生成初步報告草稿，這些看起來不炫，卻能實際節省獸醫師的時間，把注意力留給真正困難的判讀。

3-2 AI 做不到的事：臨床情境、麻醉風險與飼主溝通

這裡必須說得很直白：AI 看的是像素，獸醫看的是病患。

第一，AI 不知道這隻狗昨天開始咳嗽、不知道牠有心雜音、不知道牠上個月才因為腎指數偏高被調整過藥物。影像只是臨床資訊的一部分，缺少病史與理學檢查的影像判讀，無論是人或 AI 都會出錯。第二，AI 不會評估麻醉風險，也不會告訴飼主「這個手術值得做，但你要有心理準備」。第三，AI 無法承擔醫療責任。

還有一個很實際的限制：偽陽性與過度診斷。當 AI 把某個區域標為可疑，獸醫師可能會安排進一步的電腦斷層或細針抽吸，這些處置有費用、有麻醉風險、也可能帶來飼主的焦慮。如果 AI 的偽陽性率偏高，反而會造成醫療資源的浪費與不必要的侵入性檢查。這就是為什麼「置信度門檻」與「臨床先驗判斷」必須結合使用。

最後是資料偏差的問題。如果一個模型主要用特定地區、特定品種、特定年齡層的影像訓練，它對其他族群的表現可能明顯下降。獸醫的物種多樣性遠高於人醫，一隻吉娃娃和一隻大丹狗的胸腔，在影像上幾乎是兩個世界。這也是獸醫 AI 發展比人醫慢的核心原因之一。

四、從一隻老狗到一個產業：獸醫 AI 影像的下一步

阿福的案例不是孤例，而是一個正在擴大的趨勢縮影。以下幾個方向，是接下來三到五年最值得關注的。

4-1 資料是護城河，也是最大的門檻

人醫 AI 之所以進展快，是因為有大型公開資料集（如 ChestX-ray14、MIMIC-CXR）與標準化標註流程。獸醫領域長期缺乏這種基礎建設：影像散落在各家醫院、格式不一、標註人力昂貴、飼主同意與隱私規範也不明確。

因此，誰能建立起高品質、多樣化、有專家標註的獸醫影像資料庫，誰就掌握了這個產業的關鍵資產。這也解釋了為什麼近年出現幾種合作模式：AI 公司與大型連鎖動物醫院合作、影像設備廠商直接在機器端內建 AI、以及學術機構與產業界的聯合標註計畫。對個別診所來說，這意味著一個現實問題：你的影像資料要不要、能不能、該不該貢獻出去？這涉及商業利益、飼主同意與資料治理，不是單純的技術問題。

4-2 監管、責任與「輔助」的邊界

目前各國對獸醫 AI 的監管相對寬鬆，多數產品以「臨床決策輔助」的名義上市，不宣稱自己能獨立診斷。這個定位很重要，因為它把最終責任留給獸醫師。

但隨著 AI 準確度提升，界線會愈來愈模糊。如果一個系統的敏感度已經穩定高於多數臨床獸醫師，獸醫師「不使用」它是否構成疏失？如果 AI 漏掉了一個明顯病灶，責任在誰？這些問題在人醫已經開始被討論，獸醫領域遲早也要面對。

實務上的建議是：把 AI 的輸出當成病歷的一部分記錄下來——什麼時候執行的、標了哪些區域、置信度多少、獸醫師最終判斷是什麼、為什麼採用或不採用。這不只是法律自保，也是建立臨床經驗資料的方式。

4-3 商業模式與成本結構

目前常見的收費模式有三種：按月訂閱（吃到飽）、按影像張數計費、以及綁定設備銷售。對小型診所來說，訂閱制的固定成本壓力較小，但如果一個月拍不到幾張胸腔片，按次計費可能更划算。

另一個正在發生的變化是雲端與邊緣運算的分流。需要大量運算的模型放雲端，延遲敏感或隱私要求高的任務放地端設備。對獸醫場域而言，網路頻寬與資料上傳的便利性往往是導入成敗的關鍵——如果上傳一張片子要等三分鐘，門診根本不會用。

還有一個被低估的價值：教育與訓練。年輕獸醫師可以用 AI 標記作為學習輔助，資深獸醫師可以用它來做病例回顧與品質稽核。這類用途不會寫在新聞稿裡，卻是實際提升醫療品質的路徑。

五、給飼主與臨床人員的實用建議

如果你是因為家裡毛孩生病而讀到這篇文章，或你是正在考慮導入 AI 工具的臨床人員，以下幾點或許有用。

5-1 飼主可以怎麼問

當獸醫師建議拍 X 光時，你可以問：「這張片子需要多久判讀？有沒有需要再拍一次確認吸氣是否足夠？」如果醫院有使用 AI 輔助判讀，你可以問：「AI 有沒有標出什麼區域？那個區域的置信度高嗎？醫師您怎麼看？」這些問題不是質疑，而是幫助醫療團隊把判斷流程說清楚。

更重要的是：如果治療後症狀沒有改善，請務必回診，而且可以主動要求重新檢視影像。阿福的例子裡，真正救了牠的不是那次急診，而是飼主「覺得不對勁」的直覺與堅持。影像不是拍一次就定終身，病程會變化，第二次判讀往往能看到第一次看不到的東西。

5-2 臨床人員可以怎麼導入

如果你在動物醫院工作，以下幾點是相對務實的導入原則：

六、結語：AI 不會取代獸醫，但會改變獸醫看影像的方式

阿福現在還在。牠的飼主後來在回診時說了一句話，我覺得很適合為這篇文章收尾：「我不確定是 AI 救了牠，還是那個願意再看一次的醫生救了牠。」

答案是兩者都是，而且缺一不可。AI 提供了那個「再看一次」的理由與方向；獸醫師提供了判讀、決策、手術與溝通。這個分工，恰好就是目前獸醫 AI 最健康、也最可持續的定位。

從產業角度來看，獸醫影像 AI 正處在一個關鍵轉折點：技術已經足夠可用，資料與監管仍在補課，商業模式還在摸索，臨床接受度則因地區與醫院規模而有巨大差異。接下來幾年，我們會看到更多產品、更多研究、也會看到更多像阿福這樣「如果早三年發生，結局可能不同」的案例。

對飼主而言，這意味著一次 X 光檢查的價值可能被重新定義；對獸醫師而言，這意味著判讀工作會從「一個人扛」變成「人機協作」；對整個產業而言，這意味著一個長期被低估的領域——動物醫療影像——正在被 AI 重新估值。

而對那隻十二歲的老狗來說，這些產業趨勢都不重要。重要的是牠終於能在夜裡好好躺著睡覺。這大概就是所有技術進步最樸素、也最值得追求的意義。

（本文同步發表於雅寶社區 · 頂客論壇「🤖 AI 趨勢」版，歡迎轉載並註明出處。）

🏠 返回首頁