影像醫學部 李潤川主任
人工智慧（Artificial Intelligence, AI）近年快速進入醫療領域，其中影像醫學可以說是最早、也是最適合應用人工智慧的領域之一。原因很簡單：現代醫學每天產生大量CT (電腦斷層掃描)、MRI (磁振造影)、X光、超音波及核醫影像，而這些影像具有高度結構化、可量化及可供電腦分析的特性。人工智慧因此不再只是研究室裡的技術，而已逐漸進入臨床工作流程，從影像取得、重建、疾病偵測、定量分析，到最後的報告撰寫，都開始出現人工智慧的身影。 目前美國食品藥物管理局 ( FDA ) 核准或通過的醫療人工智慧產品中，影像醫學已占相當大的比例，顯示人工智慧在放射醫學中的發展已從「研究階段」逐漸進入「臨床實用階段」。
一、AI目前在影像醫學已經做到什麼？
二、AI目前的限制
人工智慧目前仍然不是一個可以完全取代放射科醫師的系統。
最大的問題之一是泛化能力（generalizability）。一個人工智慧模型如果是在特定醫院、特定CT或MRI廠牌、特定掃描操作程序及特定族群訓練完成，到了另一家醫院，效能可能下降。現有研究也指出，許多人工智慧研究仍來自單一中心、單一廠牌及相對有限的病例，因此不能單純把研究成果等同於真實世界的臨床表現。
第二個問題是人工智慧可能犯錯，而且錯誤有時並不容易被察覺。尤其是生成式人工智慧及人工智慧影像重建，理論上可能產生所謂的「幻覺」(hallucination)，也就是影像中出現原本不存
在的結構，或反過來將真正的病灶弱化甚至消失，甚至可能會自信地做出虛假陳述，這被稱為「幻覺」。這種情況雖然並不常見，但在醫學影像中卻可能具有嚴重的負面影響。
第三是可解釋性與責任問題。醫師可以說明為什麼認為某個肺結節具有惡性特徵，但人工智慧可能只給出「惡性機率」有多少。當人工智慧與醫師意見不同時，究竟應該相信誰？如果人工智慧造成誤診，責任應由醫師、醫院、軟體公司或設備製造商負擔？這些法律與倫理問題目前仍沒有完全一致的答案。
三、目前AI在臨床上最實際的角色
現階段最佳的方向是人工智慧與放射科醫師協作（Human-AI collaboration）。
AI特別適合處理大量、重複及高度標準化的工作。例如自動測量腫瘤大小、肺結節體積、肝臟體積、冠狀動脈鈣化分數、腦容量以及追蹤前後影像差異。人工智慧也可以在急診環境中先找出腦出血、肺栓塞或氣胸等重要異常，將病例提前排序。
另一方面，生成式人工智慧及大型語言模型（Large Language Model, 簡稱 LLM）開始進入報告撰寫與資訊整合。未來人工智慧可以同時讀取CT或MRI影像、病歷、實驗室資料及過去報告，
協助醫師形成較完整的診斷摘要。多模態人工智慧甚至可以把「影像＋文字＋臨床資料」整合在同一個模型中，這將是下一階段影像醫學的重要發展方向。
四、人工智慧不會消滅放射科醫師，但會改變放射科醫師
目前AI在臨床醫療院所的實務運用，主要扮演「第二雙眼睛（Second Reader）」與「分流分級（Triage）」角色。然而人工智慧真正成熟仍需要解決資料品質、跨設備泛化、可解釋性、隱私、成本、法律責任及臨床工作流程整合等問題。專業學會目前也強調，人工智慧成功導入臨床的關鍵，不只是演算法準確率，而是醫師是否信任、是否能融入醫療影像系統、資訊系統及醫院工作流程，以及是否能持續監測其臨床表現。
人工智慧的崛起曾一度引發「放射科醫師將被取代」的疑慮，但現在醫學界已達成共識: 未來最可能出現的不是「人工智慧取代醫師」，而是「使用人工智慧的醫師取代不使用人工智慧的工作模式」。
對影像醫學而言，人工智慧最重要的價值並非讓電腦代替我們「看影像」，而是讓影像從一張張圖片，轉變成可以被分析、量化、整合與預測的醫療資訊。當CT、MRI、PET、超音波與臨床資料逐漸被整合在同一個人工智慧平台上，影像醫學將不再只是診斷工具，而可能成為未來精準醫療與預防醫學的重要核心。
