答對不等於做對：這一週三份醫療 AI 技術成績單，全部卡在「過程能不能查」

香港科技大學陳浩（Hao Chen）團隊於 8 月 17 日在 Nature Biomedical Engineering 發表 ConceptCLIP，並同步公開 MedConcept-23M——一組 2,300 萬筆生醫「影像–文字–概念」三元組。與一般對比式視覺語言預訓練只做影像與整段文字對齊不同，ConceptCLIP 額外做「區域–概念」對齊，讓模型在輸出診斷的同時指出它依據的是影像哪一塊、對應到哪一個醫學概念。評估橫跨 78 個資料集、10 種影像模態（胸部 X 光、CT、MRI、乳房攝影、病理全玻片、內視鏡、超音波、皮膚科、視網膜等），其中 68 個為公開資料集、9 個為私有資料集，另新整理 PMC-9K（9,222 組影像–文字配對）。模型權重上架 Hugging Face、程式碼放在 GitHub，資料集說明檔置於 Hugging Face Datasets。

過去兩年醫療影像基礎模型的可解釋性幾乎都靠事後方法：Grad-CAM 熱區圖、注意力視覺化、或叫大語言模型「解釋一下」。這些方法的共同問題是解釋與決策不同源——模型怎麼算是一回事，事後產生的說法是另一回事。ConceptCLIP 的作法是把概念對齊放進損失函數，讓解釋成為模型本身表徵的一部分。論文附帶的臨床醫師使用者研究（跨三種影像模態）顯示，這種概念式解釋確實幫助醫師驗證預測、找出潛在錯誤——這一點比 benchmark 分數更值得注意，因為它回答的是「解釋有沒有用」而不是「模型有沒有解釋」。

78 個資料集裡有 9 個是私有資料，外部團隊無法完整重現該部分結果。使用者研究只涵蓋三種模態，未涵蓋全部十種。論文未公布模型參數量與訓練算力細節；MedConcept-23M 在 Hugging Face 上釋出的是說明文字（captions）而非全部原始影像，實際重建需自行取得來源影像。

Nature Biomedical Engineering, 2026-08-17

一支橫跨多個機構、含史丹佛 Nigam H. Shah 在內的團隊於 8 月 7 日釋出 CliniCARE-Bench（arXiv:2608.07796）。它把 25 個經臨床醫師驗證的回溯稽核情境，實例化成 750 個以 MIMIC-IV 真實病人資料衍生的個案，要求系統輸出四種判決之一：Yes、No、Indeterminate（資料不足）、Indeterminate（醫學上本就模稜兩可）。16 個 agentic 系統的四分類準確率落在 65.3–76.1%；但論文另外定義「defect-free accuracy」——只有判決正確且推理過程未使用被明文禁止的捷徑才計分——這個數字比四分類準確率低 4.8 到 14.8 個百分點。

兩個設計值得學界抄走。第一，把「資料不足」與「醫學上模稜兩可」拆成兩個不同的判決選項——現行大多數醫療 QA benchmark 只有對錯二分，逼模型在資訊不足時硬猜，反而獎勵了自信的錯誤。第二，defect-free accuracy 這個指標把評測從「輸出對不對」推進到「過程可不可接受」。這正是稽核（audit）與問答（QA）的根本差別：稽核要求的是可被複核的推理鏈，不是一個剛好正確的結論。對照 8 月稍早 Nature Medicine 上 Microsoft Research 與 Scripps 團隊的發現——前緣模型在關鍵視覺資訊被移除後仍能維持準確率，代表它們根本沒在看影像——會發現這是同一個病灶的兩種顯影。

arXiv 預印本，尚未經同儕審查。論文摘要未逐一列出 16 個受測系統的名稱與各自分數，因此無法從公開摘要判斷哪一家模型掉最多。25 個情境全部來自 MIMIC-IV（美國單一醫學中心的加護資料），對台灣或歐洲醫療體系的可轉移性未經驗證。

arXiv:2608.07796, 2026-08-07

Yitong Qiao 等人的 EHR-Complex（arXiv:2606.23301）建立在 MIMIC-IV 之上——36.5 萬名病人、31 張資料表、逾 5 億筆紀錄——生成約 5.2 萬個任務，涵蓋六類臨床意圖，同時支援病人層級與族群層級查詢。代理必須在沙箱中實際執行 SQL 或 Python 才能作答。最佳模型的 exact-match 為 62.3%；更關鍵的是 k=4 時幾乎所有受測模型的 Pass^k 一致性都低於 50%。作者分析逾 3,800 次失敗，歸納出三類主因：SQL 邏輯錯誤、醫療代碼查找失敗、語意理解偏差。

Pass^k 是這篇論文最該被引用的部分。它問的不是「跑一次會不會對」，而是「同一題連跑 k 次會不會每次都對」。62.3% 的單次準確率在 demo 影片裡看起來可用，但一個在同一問題上四次有兩次以上答不一致的系統，不可能拿去做院內的品質指標計算或健保申報稽核——那些場景要的是可重現，不是期望值。這也解釋了為什麼「醫療代碼查找失敗」會單獨成為一個失敗類別：ICD-10 與 SNOMED 的層級關係不是靠語言模型的常識可以推的，是要查表的，而模型偏偏很擅長把查表的動作用語言蒙混過去。

同樣是 arXiv 預印本（6 月 22 日投稿），未經同儕審查。任務由程式生成，與真實臨床人員實際會問的問題分佈可能不同。作者群多來自螞蟻集團與浙江大學，受測模型清單與是否包含自家模型，需查閱全文確認。

arXiv:2606.23301, 2026-06-22

由哥倫比亞大學生物醫學資訊系 Orson Xu 領銜，合著者包括 MIT 的 Marzyeh Ghassemi 與史丹佛的 Roxana Daneshjou，8 月 4 日於 Nature Medicine 發表皮膚疾病診斷的可解釋 AI 研究。受試者分為一般民眾與基層醫師兩組，在有／無各種 XAI 輔助（含信心分數、相似影像推薦、熱區圖、大語言模型文字解釋）的條件下進行診斷。結果呈現明顯分歧：一般民眾的準確率確實提升，但提升來自對 AI 的順從——他們不論解釋正確與否都相信 LLM 的說法，而且「愈含糊的解釋愈有說服力」；醫師則在只給預測、不給解釋時表現最好，他們能抓出 AI 的錯誤，也不會被錯誤輔助帶偏。MIT News 引述研究者的結論：「同一份解釋可以幫助專家，也可以誤導初學者。」

這篇對前面兩則 benchmark 是一記反向刺拳。CliniCARE-Bench 與 ConceptCLIP 都假設「解釋愈好愈安全」，這篇則指出解釋的效果取決於接收端的鑑別力：對有能力反駁的人，解釋是查核工具；對沒能力反駁的人，解釋是說服工具。監理與產品設計的意涵很直接——同一個模型輸出，給醫師版與給病人版必須是兩套 UI，不是同一套換字體。而在 OpenAI 已把 ChatGPT Health 直接接上病患的病歷入口、消費端醫療 AI 使用者絕大多數是非專業人士的當下，「愈含糊的解釋愈有說服力」這個發現，是整份研究裡最該讓產品經理坐立不安的一句。

Nature Medicine, 2026-08-04 · MIT News, 2026-08-04

Epic 於 8 月 17–20 日在威斯康辛州 Verona 舉行年度使用者大會（逾 2 萬人到場、約 500 場議程；Fierce Healthcare 記錄 8,400 人實體出席、含線上約 7 萬人參與）。三個技術產物：Curiosity，以 Cosmos 資料訓練的生成式模型，用於預測再入院、中風風險等結果，2027 年 3 月起開放給有貢獻資料的 Cosmos 成員機構，Cosmos 現有規模為 3.2 億病人、230 億次就診；Agent Factory，可不寫程式建置與編排代理的平台，內建 120 個以上預製代理，2027 年廣泛上線，早期採用者 ECU Health 用一個彙整轉院請求的代理，估計每週省下 20 小時；Ergo / Ergo Visit，AI 原生的臨床介面，2026 年 11 月上線，看診準備功能可調用 3.2 億筆去識別化病歷。

把 Curiosity 跟今天前三則放在一起看，會看到一個尷尬的錯位：學界正在把評測標準推向「過程可稽核、重跑要一致」，而產業界最大的一次押注是一個以生成式架構做風險預測、且訓練資料規模大到無法逐案追溯的模型。這不是說 Epic 做錯——3.2 億人的縱貫資料是全世界少數幾家拿得到的資產——而是說，當 Curiosity 2027 年 3 月開始輸出再入院風險分數時，CliniCARE-Bench 那套「defect-free accuracy」的問法會直接落到它頭上。Agent Factory 的風險更具體：120 個預製代理 × 無需寫程式 × 各院自行客製，等於把代理的安全邊界從單一廠商的責任分散到數千家醫院的設定畫面上，而 EHR-Complex 的 Pass^k 結果已經告訴我們，同一個代理跑四次不一定給同一個答案。

ECU Health「每週省 20 小時」與 Ask Emmie 在 Sutter Health「省下 1,000 客服工時」皆為採用機構自述，未經第三方稽核。Curiosity 與 Agent Factory 都還沒上線（分別為 2027/3 與 2027 年），目前所有描述均來自廠商簡報，沒有任何獨立驗證的效能數字。兩個出席人數版本互相矛盾（2 萬 vs 8,400 實體），本報同時列出，未作取捨。

Fierce Healthcare, 2026-08 · HealthTech HotSpot, 2026-08

AI 病歷代筆公司 Suki 於 8 月 25 日推出 Suki Dictation，原生內建於 Epic 與 Meditech，可單獨部署或與 Suki for Clinicians 併用，並以 API 與 SDK 形式提供給第三方健康科技產品整合。與被動錄音的環境式代筆不同，這個產品讓醫師以打字或語音指令主動編輯，把內容放到病歷的指定位置。試用者 Witham Medical Group 胸腔重症科醫師 Edward Mintz 表示每天至少省下 1–2 小時。產品長 Abhi Pathak 的說法是：「我們不是靠把人鎖進更大的套裝來取勝，而是要讓醫師自由選他真正需要的東西。」公司同時預告下一代串流語音辨識、對話式語音編輯、AI 輔助處置紀錄等功能。

這是一個值得注意的技術路線分歧。過去三年的主流敘事是「環境式 AI 會吃掉口述市場」——醫師什麼都不用做，AI 聽完自動成稿。Suki 反過來把口述做成可嵌入的元件，賭的是另一件事：當代筆的成稿仍需醫師大幅修改時，真正的瓶頸不是「能不能生成」，而是「能不能精準地改」。把 dictation 拆成 API，等於承認語音在臨床工作流裡是一個原子操作，而不是一個完整產品。這個判斷也解釋了為什麼 Suki 選擇不綁定套裝——在 Epic 自己推出 Ergo 與 Agent Factory 的當下，任何試圖與 Epic 正面競爭「完整工作流」的第三方廠商都在打一場輸面很大的仗，而做成別人都要用的元件是更安全的位置。

「每天省 1–2 小時」是單一試用醫師的自述，樣本數為一，未經任何對照或時間動作研究。新聞未揭露定價、辨識字錯誤率（WER）、可用語言，也未說明有多少機構已簽約。

Fierce Healthcare, 2026-08-25

賓州大學醫學倫理與衛生政策系 Ezekiel J. Emanuel 為通訊作者的 JAMA 觀點文章（DOI 10.1001/jama.2026.15380）於 8 月 17 日刊出，題為「Will Autonomous AI Exceed AI-Aided Physicians as the Best Medical Care?」，EurekAlert 同日發布新聞稿。The Decoder 於 8 月 18 日的整理列出文中援引的證據：Google 的 AMIE 在模擬對話中勝過基層醫師；ChatGPT o3 在複雜個案首次即給出正確診斷的比率為 60%，內科醫師為 15.9%；GPT-4 單獨作答的診斷推理得分 92%，而可使用 AI 的醫師為 76%。文章主張，要求醫師最終核可的法規，可能在 2030 年前把較差的照護模式制度化。共同作者包括 Curai Health 執行長 Neal Khosla，其父為 OpenAI 與 Curai 的投資人。

把這篇跟今天的皮膚科 XAI 研究並排，會出現一個很難迴避的問題。Emanuel 等人引用的「GPT-4 單獨 92%、醫師加 AI 只有 76%」，與 Nature Medicine 觀察到的「醫師在只給預測時表現最好、給了解釋反而更差」，其實可能是同一個現象的兩種讀法：人機協作的損失不見得來自人類拖累模型，也可能來自介面設計把人放在錯的位置上。這兩種歸因會導向完全相反的政策——一種說「把人拿掉」，一種說「把介面重做」。在證據幾乎全來自模擬而非真實照護的前提下，前者是遠比後者更難撤回的賭注。

這是觀點文章（viewpoint），不是原始研究。作者自己承認幾乎所有證據來自模擬情境而非實際病人照護，且侵入性處置仍需醫師執行。兩位作者對自主 AI 的普及具有直接財務利益，屬於必須在閱讀時折現的利益衝突。JAMA 原文位於付費牆後，本節數字引自 EurekAlert 新聞稿與 The Decoder 的二手整理，非取自原文全文。

JAMA, 2026-08-17 · EurekAlert, 2026-08-17 · The Decoder, 2026-08-18

由 Ole A. Andreassen 領銜、共 22 位作者的 Nordic AI-Health Initiative 論文於 8 月 14 日刊登於 Nature Medicine，副標即為「技術基礎、資料資產、部署路線圖」。作者群橫跨挪威、瑞典、丹麥、芬蘭、冰島與愛沙尼亞，目標是建立一個聯邦式（federated）的北歐健康生態系：資料不集中搬移，在符合法規的前提下讓 AI 模型到資料所在處運算，用以支撐可泛化的醫學 AI 開發。

值得台灣讀者注意的不是技術新穎度——聯邦式學習不是新概念——而是排序。北歐的作法是先把跨國資料治理與標準寫定，再談模型；這與台灣衛福部先建 FHIR Box、再談 AI 應用的路徑幾乎一致（見台灣視角一節）。相對地，Epic 的 Cosmos 是把 3.2 億人的資料集中在單一廠商手上，靠規模取勝。這兩種架構的差別會在未來幾年具體化為兩件事：誰能做出跨體系可泛化的模型，以及當模型出錯時誰負責——集中式有明確的問責對象，聯邦式則把責任分散在各參與國的治理框架裡。

論文屬於基礎建設藍圖與路線圖性質，可公開取用的部分未載明各國資料資產的確切筆數，也未列出具體里程碑日期。本節不引用未經證實的規模數字。

Nature Medicine, 2026-08-14