同一天、同一本期刊、兩種結局：AI 讀 CT 撿回 51 個被漏掉的病灶，AI 讀病歷被醫師默默棄用

8 月 19 日，以色列 Rambam 醫學中心（合作單位含以色列理工學院 Technion、Mayo Clinic、Beth Israel Deaconess）在《Nature Medicine》發表一項 DECIDE-AI 第一階段的前瞻性試辦評估：把 LLM 臨床決策支援系統 SHAKED 部署在急診其中一翼，另一翼維持標準流程，為期四週、共分析 1,138 名病人（介入組 584 人）。結果分成三層：(1) 安全無虞——未偵測到不良事件，專家抽查 100 份輸出中有 99 份被評為臨床適當；(2) 效益未顯現——兩翼急診滯留時間同為 4.9 小時（P = 0.99），會診週期時間縮短 9.4 分鐘但未達統計顯著（P = 0.077）；(3) 使用率崩落——臨床採用率從 68% 一路降到 30%，且與工作負荷高度相關（每增加一小時班內時數，使用勝算比 OR = 0.72，95% CI 0.62–0.83）。唯一逆勢上升的情境是放射科會診（OR = 2.98，95% CI 1.58–5.63）。作者的結論罕見地直白：「維持臨床人員的持續使用，而非演算法準確度，可能才是真正的關鍵障礙」，且現有發現「不足以支持此階段的臨床部署」。

過去三年幾乎所有醫療 LLM 研究都在回答同一個問題：模型夠不夠準？SHAKED 把這個問題整個換掉。它的模型夠準（99/100）、夠安全（0 不良事件），但在真實急診裡被使用的次數逐週減少，而且醫師越忙越不用——這正好和「AI 幫忙省時間」的商業敘事完全相反：如果 AI 只在你不忙的時候才有人用，那它就沒有在解決忙碌本身。OR = 0.72／每小時班內時數是本週最值得記下的一個係數，因為它把「採用」變成可以量測、可以當作終點指標的東西。這也給了 PLOS Digital Health 那個 1,357 台核可、3 台驗證過病人結果的統計一個新的註腳：就算補上臨床試驗，也可能測不到效果——因為介入本身在試驗期間就被使用者稀釋掉了。DECIDE-AI 框架的設計初衷正是為了捕捉這一層，而 SHAKED 是少數老實照做、並且老實公布負面結果的研究。

SHAKED 為 Rambam 醫學中心（海法）內部開發的 LLM 決策支援系統，作者群 Leibovitch、Ahituv、Gorenshtein、Aran、Sorka、Miron、Shelly 分屬 Rambam、Technion、Mayo Clinic 與 Beth Israel Deaconess。試驗未揭露使用哪一家基礎模型；本研究屬 DECIDE-AI 第一階段（早期臨床評估），不是療效試驗。對照組為同院另一翼的標準作業。

同一天的《Nature Medicine》另一篇，由中國醫科大學附屬盛京醫院放射科施悅（Yu Shi）為通訊作者，聯合阿里巴巴達摩院（DAMO Academy）、倫敦國王學院、EURECOM等中、法、英機構發表「Liver DiagnOsis Network（LiON）」的多中心研究與單臂臨床試驗。規模是這篇的重點：訓練 6,443 人、多中心回溯驗證 22,251 人、前瞻試驗 10,333 人。表現：回溯驗證惡性判別 AUC 0.975（95% CI 0.971–0.979），脂肪肝次族群 0.971、肝硬化次族群 0.924；前瞻試驗主要終點 AUC 0.952（95% CI 0.942–0.961）。真正有份量的是次要臨床結果：在既有放射科流程中額外找出 51 個原本被忽略的病灶（含 15 個惡性）、觸發 37 份修正報告、22 次多專科團隊（MDT）升階討論。LiON 讀多期別對比增強 CT（可彈性使用非顯影、動脈期、靜脈期，延遲期選用），輸出病人層級惡性分數、分割八類肝臟病灶，並整合人口學、生物標記與病史等臨床資料。

LiON 與 SHAKED 的對比，幾乎是一場天然實驗。兩者都在真實臨床流程裡跑，都沒有做隨機分派的療效試驗，但只有一個產生了可以指認的病人層級後果：51 個病灶、37 份修正報告、22 次 MDT。差別不在模型有多聰明，而在介入的形態——LiON 以「第二讀片者／安全網」的身分存在，工作發生在醫師的注意力之外，不需要醫師主動開啟；SHAKED 則需要醫師在最忙的時候多按一次。這是今天最實用的一條設計原則：臨床 AI 的採用率，與它需要醫師付出的主動注意力成反比。需要留意的限制也很明確：單臂試驗沒有對照組，因此無法回答「這 51 個病灶若無 AI 是否最終仍會被發現」，也無法把它換算成存活率；作者自己也表示需要跨醫療體系的前瞻比較研究。它仍然停在 PLOS 那 0.2% 之外——只是離門檻最近的一批。

研究主導：中國醫科大學附屬盛京醫院（瀋陽）放射科；技術合作方包含阿里巴巴達摩院——該單位先前以胰臟癌篩檢模型 DAMO PANDA 進入國際期刊，肝臟是其醫療影像布局的第二個器官級標的。學術合作方為倫敦國王學院與法國 EURECOM。競爭者面向：Aidoc（腹部 CT 分流）、United Imaging／聯影智能、推想醫療、Lunit 與 DeepHealth 主攻胸腔與乳房，肝臟多期別 CT 目前競爭密度相對低。

多倫多大學 Rawan Abulibdeh 與 MIT 計算生理實驗室等合著者，8 月 19 日於 PLOS Digital Health 發表對截至 2025 年 12 月 5 日 FDA 核可的全部 1,357 台 AI 醫材的盤點：僅 34 台曾登錄臨床試驗、12 台公布試驗結果、12 台有同儕審查論文，只有 3 台針對死亡率、中風、住院或生活品質等以病人為中心的結果做過測試。News-Medical 8/20 的整理指出，研究幾乎全在資源充足的醫療體系執行，並系統性排除孕婦、75 歲以上長者與非英語使用者；作者警告此架構可能放大既有健康不平等，並讓中低所得國家在無意間成為「未被充分研究之 AI 裝置」的試驗場。Healio（8/21）與 AuntMinnie 亦有專文。

本站在昨日週回顧已報導此研究，今天重提是因為它是理解前兩則的分母。把 LiON 與 SHAKED 放進這個框架，會發現一件容易被忽略的事：這兩篇論文都不會出現在那 3 台裡——LiON 是單臂設計、SHAKED 測的是採用率與流程指標，兩者都沒有以病人結果為主要終點。也就是說，即使是本週最紮實的兩份前瞻研究，離「證明病人活得更久或更好」仍有一段距離。這不是研究者的失職，而是臨床 AI 的評估基礎建設本身還沒長好：沒有標準終點、沒有跨機構的對照設計慣例、沒有把「採用率」正式納入終點的傳統。今天最該記住的是這個結構，而不是任何單一數字。

分析對象為 FDA 公開的 AI／ML-Enabled Medical Device List 全體，未點名個別廠商。台灣的對應清單為 TFDA 智慧醫療器材資訊暨媒合平台，目前尚無等價的驗證盤點研究。

要理解第 1 則裡「99/100 適當」為何仍不足以保證安全，需要一份稍早的隨機試驗。發表於 NEJM AI（2026 年 5 月號，試驗註冊 NCT06963957）的《Automation Bias in Large Language Model–Assisted Diagnostic Reasoning among Physicians Trained in AI Literacy》，把 44 位受過 20 小時 AI 素養訓練的醫師隨機分派，分別接受「無誤」與「刻意植入錯誤」的 LLM 建議。結果：診斷推理分數從 84.9% 降至 73.3%（校正後差異 −14.0 個百分點）；首選診斷正確率從 90.5% 降至 76.1%（校正後 −18.3 個百分點）。預印本可見於 medRxiv。後續研究已開始測試以行為推力（behavioral nudges）緩解此效應，見 2026 年 6 月的後續 RCT 預印本。

幾乎所有臨床 AI 的風險論述都建立在同一個假設上：「最終決策仍由醫師負責，所以 AI 出錯會被攔下來。」這份試驗指出這個假設在受過專門訓練的醫師身上都不成立——而且退步幅度（−14.0 與 −18.3 個百分點）大到足以抵銷多數 AI 工具宣稱的增益。把它接回第 1 則：SHAKED 的「99/100 適當」意味著每 100 次就有 1 次不適當，而這份 RCT 說明那 1 次不會被自動攔下。這也是為什麼第 2 則 LiON 的「安全網」形態在風險結構上更有利：AI 用來提示「你可能漏看了什麼」，錯誤代價是額外看一眼；AI 用來建議「你應該怎麼做」，錯誤代價是被說服。此研究樣本為 44 位單一國家（巴基斯坦）醫師，屬中型模擬情境試驗，外推需保守。

未涉及商業產品；試驗使用通用大型語言模型作為建議來源，並人為植入錯誤以測試醫師的獨立判斷。此類「錯誤建議壓力測試」目前尚未成為任何監管機關的上市前必要項目，是 FDA 正在評估的生成式 AI 醫材監管路徑中的空白之一。

8 月 18 日，Healthcare IT News 報導南韓 Ainex 公司的即時內視鏡 AI「ENAD（Endoscopy as AI-powered Device）」導入新加坡國立大學醫院（NUH），用於上下消化道內視鏡：即時偵測病灶並自動分類特徵以支援臨床決策。Ainex 表示，根據同儕審查研究，該軟體使腺瘤偵測率（ADR）提高 16%；ENAD 已部署於南韓逾 200 家醫療院所，並取得泰國、馬來西亞與哥倫比亞的核准。

內視鏡 AI 是目前臨床 AI 中最接近「已被證實」的一類——ADR 是大腸鏡的公認品質指標，與後續大腸癌發生率有明確關聯，而電腦輔助偵測（CADe）已累積多篇隨機試驗。它同時也是「第 2 則設計原則」的教科書案例：AI 在螢幕上畫框，醫師不需要主動呼叫它，所以不會出現 SHAKED 那種使用率遞減。但要誠實標註兩件事：(1) 這 16% 是廠商自述的彙整數字，本則報導未附上對應論文；(2) 近年多篇研究指出 CADe 提高 ADR 的同時也提高了微小、低風險腺瘤的切除量，長期臨床效益仍在爭論。對亞洲市場的意義更直接：南韓與新加坡的臨床 AI 採購已進入跨境輸出階段，而台灣廠商面對的正是同一批競爭者。

Ainex（南韓）；客戶為新加坡國立大學醫院。同類競爭者：Medtronic GI Genius、Fujifilm CAD EYE、Olympus ENDO-AID、韓國 Wonjin／Coreline 系；台灣端有多家內視鏡 AI 團隊仍以院內合作研究為主，尚未見同等規模的跨境輸出。

8 月 21 日 Fierce Healthcare 報導一場正在升溫的論戰：生命倫理學者暨腫瘤科醫師 Ezekiel J. Emanuel 與 Curai Health 的 Neal Khosla、Khosla Ventures 的 Vinod Khosla 在 JAMA 共同發表觀點文，主張回顧 2024 年 1 月以來所有醫療 AI 文獻後，AI 在五項核心認知任務（蒐集病人資訊、診斷、選擇檢查、建議治療、慢病管理）上已達到或超越醫師水準，並預測「大約 2030 年」AI 即可在部分、甚至許多工作流程中獨立部署；他們進一步主張，醫師的監督反而會引入錯誤、拉低 AI 的表現。美國醫學會執行長 John Whyte 反駁：醫學需要超越任務執行的人類判斷，並以「自動駕駛普及後飛行員仍不可或缺」為喻，強調同理、溝通與共享決策無法由演算法取代。

這場辯論值得放在今天的第 1、4 則旁邊，因為雙方都可以引用今天的證據，而且都只引用一半。Emanuel／Khosla 一方能指著第 4 則說「醫師監督確實會出錯」——那份 RCT 的確顯示醫師被錯誤建議帶偏；但同一份 RCT 的前提是AI 先給了錯的答案，這恰恰證明無人監督的 AI 同樣會錯。AMA 一方能指著第 1 則說「醫師不買單」——但 SHAKED 的低採用率並不證明 AI 沒有價值，只證明它被設計成需要醫師出力。真正被兩邊略過的是第 2 則的答案：爭論「AI 要不要取代醫師」，可能問錯了層級；LiON 既沒有取代放射科醫師，也沒有等醫師來用它，它只是改變了病灶被看見的機率。

Curai Health（AI 虛擬照護，Khosla Ventures 投資）；American Medical Association（AMA）；賓州大學（Emanuel）。此論戰的商業背景值得留意：主張自主 AI 的兩位作者中，一位是自主 AI 照護公司的經營者、一位是其投資人，JAMA 觀點文本身應視為有利益關係的立場論述而非中立文獻回顧。

8 月 22 日 Healthcare IT News（亞太版）刊出對 Youngand Inc. 商務長 Martin Seo 的訪談，直指亞太失智照護的結構問題：輕度認知障礙（MCI）是介入的關鍵窗口——41 個初始世代研究的統合分析顯示約 39% 的 MCI 個案最終進展為失智，而一般族群樣本約為 22%；但「偵測在一個地方、服務量能在另一個地方，而兩邊都沒有紀錄回流」。以新加坡為例，約 2,800 家私人診所、27 家綜合診療所與 230 餘個樂齡活動中心彼此不協調；2030 年約每四位新加坡公民就有一位年滿 65 歲，失智預估在 2040 年成為全球第三大死因。該公司的 Brain Health Playground 以動作辨識與場次級分析，把結構化認知訓練放進長者原本就會聚集的社區場域。

今天前六則都在問「AI 準不準、有沒有人用」，這一則把問題往上推了一層：就算 AI 篩檢做得完美，如果篩出來之後沒有可銜接的服務與回流紀錄，偵測本身不會改變任何結果。這對台灣特別有參考價值——台灣的失智症篩檢工具、認知功能量表數位化與影像生物標記研究都不算落後，但社區據點、基層診所與醫學中心之間同樣缺乏一條把「篩到了」變成「持續介入並被記錄」的路徑。用第 1 則的語彙來說，這是另一種形式的採用率崩落：不是醫師不用工具，而是被偵測出的病人流失在系統的縫隙裡。需註明的限制：本文為受訪企業觀點，Brain Health Playground 的成效未見同儕審查證據；39%／22% 為引用之統合分析數據，非該公司產品的成果指標。

Youngand Inc.（南韓，Brain Health Playground）；場景為新加坡與亞太。相關政策背景可對照 Healthcare IT News 8/21 談偏鄉醫院 AI 投資排序——兩者的共同問題都是「AI 能力落在哪一層機構」。