這一週臨床 AI 交出兩份漂亮的成績單——146 種腹部 CT 發現 AUC 0.913、每 18 張腦部 CT 多救回一個大血管阻塞——同一週另外三份研究說，我們判斷它何時出錯的能力完全沒跟上：汙名字眼讓檢傷降級 9.4%、12 位判讀者只有 3 位察覺影像是合成的、229 個數位健康試驗裡 73% 由開發者自己做

浙江大學醫學院附屬第一醫院、阿里巴巴達摩院與湖畔實驗室 9 月 17 日在 Science 發表 RADAR，一個以對比式學習把 CT 體積拆成解剖結構、再與報告文字對齊的視覺—語言模型。訓練資料為 424,911 例檢查、150 萬組影像—文字配對與逾 1,500 萬組解剖特異性配對。在 146 種腹部 CT 發現上平均 AUC 達 0.913，對照的最佳競爭模型為 0.776；八家中心外部驗證 AUC 0.895；在完全未針對急診訓練的情況下，27,000 例以上的急診情境仍有 AUC 0.904。程式碼與權重已放上 GitHub，機構新聞稿見 EurekAlert。

過去十年的放射 AI 商業模式建立在「一個演算法做一件事、每一件事各自送審」之上。146 種發現的通用模型如果站得住，這個模式的單位經濟就變了：產品不再是偵測器，而是一層基礎設施。更關鍵的是它選擇開源——這意味著能力的擴散速度不再受任何一家公司的商業節奏限制，卻也意味著臨床端從此要自己承擔「這一版有沒有被驗證過」的判斷。急診那個未訓練卻拿到 0.904 的數字尤其值得注意：零樣本泛化到高風險情境，正是監管最難處理的一類主張。

全部數據為回溯性判讀表現，沒有前瞻性試驗、沒有病人結果指標，也沒有「醫師搭配 RADAR 後表現如何」的讀者研究——AUC 高不等於臨床可用。八家外部中心全在中國，跨人種、跨機型、跨顯影劑流程的泛化尚未驗證。開源也代表沒有任何監管機關為線上部署的那一版背書。

Science, 2026-09-17 · EurekAlert, 2026-09-17 · PubMed 42752131

高麗大學醫學院 9 月 14 日發布跨韓美驗證結果，論文刊於 Journal of NeuroInterventional Surgery（DOI 10.1136/jnis-2026-025339）。模型只用標準非顯影腦部 CT 判斷是否存在大血管阻塞（LVO），不需顯影劑。963 位病人（韓國 723、美國 240）中，模型本身 AUC 韓國 0.963、美國 0.899；8 位醫療人員在無 AI 時判讀 AUC 0.718，有 AI 時升至 0.852，敏感度由 46.6% 提高到 63.7%、特異度由 91.9% 到 94.9%。研究團隊換算為「每判讀 18 張非顯影 CT，多抓出 1 例原本會漏掉的 LVO」，並指出未觀察到顯著的自動化偏誤。

這是本週唯一一則「AI 輔助人類、在急診情境、且有跨國外部驗證」的證據，而且它針對的是真實的照護瓶頸：非顯影 CT 是絕大多數急診中風流程的第一張片，但人眼在這張片上找 LVO 的敏感度本來就只有四成多。把敏感度拉到六成多、特異度不但沒掉還上升，意味著這是一個罕見的「同時減少漏診與誤診」的輔助模式，而不是用假陽性換敏感度。更值得注意的是研究主動測了自動化偏誤——這正是下面幾則研究指出最缺的那一塊。

判讀者只有 8 位，是本研究最脆弱的一環；讀者研究屬實驗室情境，不是真實急診的時間壓力下。此外「每 18 張多 1 例」是由敏感度差值與該世代盛行率換算而得的衍生數字，換一個 LVO 盛行率不同的場域就會變動，不宜直接外推到台灣的急診量能。

Korea University College of Medicine / EurekAlert, 2026-09-14

德勒斯登工業大學與德勒斯登大學醫院 9 月 15 日在 Nature Medicine（DOI 10.1038/s41591-026-04609-x）發表完全在院內基礎設施上運行的醫療 AI agent，以模擬醫病問診方式處理標準化病例。最佳本地模型在一個 benchmark 上約 90% 診斷正確、另一個 84%；在 181 個隨機抽選的病例上，醫師覆核與自動評分的一致率超過 90%。核心發現是：模型對同一病例重複作答的一致性，比模型自報的內部機率更能預測答案正不正確，即使在刻意刪減資訊的壓力測試下也成立。研究同時發現高齡病例的診斷準確率明顯較低。主持人 Jakob Kather 的說法是：「我們的目標是具備選擇性自主權的 AI agent——支援臨床決策，但絕不完全接手。」

這是本週最有實作價值的一則。醫院導入 LLM 時最棘手的問題不是準確率，而是「這一次該不該信」——而模型自報的信心分數長期被證明校準不良。用「同一問題問三次、看答案是否一致」當信任訊號，是任何醫院當天就能在工作流裡加上去的一條規則，不需要換模型、不需要拿到權重。加上整套跑在院內、資料不出院區，等於同時回答了信任與隱私兩個採購問題。至於高齡準確率偏低，則是把一個具體的病人安全風險標在地圖上。

全部基於標準化模擬病例，不是真實病人、不是真實門診；模擬問診與真實病史詢問之間的落差向來是這類研究最大的外推風險。作者本身也指出高齡準確率偏低的成因尚待釐清，尚不能斷言是資料分布、症狀非典型性或模型偏誤。

TU Dresden / EurekAlert, 2026-09-15

德州大學西南醫學中心急診醫學部與生物資訊學系 9 月 19 日在 npj Digital Medicine 發表「結果導向」的對照實驗：在兩家學術醫學中心急診的真實病例敘述中插入人口學、社會或汙名相關屬性，比較 LLM 的檢傷優先順序變化，共 221,556 組以 ESI 配對的比較、18 種中性與汙名化敘述配對，測試 Gemma、Qwen、DeepSeek 三個開放權重模型。結果：「頻繁急診就醫」的汙名化敘述造成最高 9.4% 的有害降級，且在全部六個「模型 × 資料集」組合中都比中性敘述高出 1.4 到 7.1 個百分點；精神科病史造成最高 9.5% 的位移。相對地，種族、語言、保險別未見一致的有害位移。

既有的 LLM 偏誤研究大多停在「模型對不同族群的輸出有差異」，這一份把終點綁在臨床結果（ESI 配對後的有害降級），規模又大了兩個數量級，因此結論的可操作性完全不同：風險不是抽象的公平性，而是急診分流當下的病人安全。更值得醫院注意的是它的反直覺處——種族與保險別沒有一致效應，真正會傷人的是臨床端自己寫進病歷的措辭（「常跑急診」「有精神科病史」）。這意味著防護不能只靠去識別化，還得管到敘述本身。

只測了三個開放權重模型，不能外推到醫院實際在用的商用閉源模型；精神科病史那條 9.5% 只有一個模型達到統計顯著。此外這是模擬檢傷排序，不是真實部署後的病人結果追蹤——它證明的是風險存在，不是傷害已經發生。

npj Digital Medicine, 2026-09-19

9 月 17 日 npj Digital Medicine 刊出「數位健康介入臨床試驗：研究獨立性與開發者效應的快速回顧」，從 29 篇系統性回顧中抽出 229 個 RCT（2013–2025，涵蓋營養、孕產、心理健康、睡眠四個領域）。73% 的試驗有開發者直接參與，只有 27% 獨立執行。開發者參與的試驗預註冊的勝算比為 2.47（p=0.004）——也就是說流程反而更規範；但以樣本數加權後，回報統計顯著結果的勝算比為 1.23（95% CI 1.16–1.31，p<0.001）。

這份研究提供了一個可以直接套用到任何臨床 AI 數據的折扣係數。本站過去兩週反覆處理的主題——廠商自述效益與同儕審查效益之間相差三到六倍——在這裡拿到了機制層的解釋：問題不是造假，而是由開發者設計、執行、分析的試驗，系統性地更容易產出顯著結果。預註冊率反而較高這一點尤其值得玩味，它說明「流程合規」不能當成獨立性的代理指標。讀任何一份臨床 AI 研究的第一個問題因此應該是：作者名單裡有沒有賣這個東西的人。

樣本是數位健康介入（含行為 app），不是純粹的臨床 AI 裝置試驗，外推到影像 AI 或臨床決策支援時要保留空間。OR 1.23 是統計上顯著但效果量不大的偏移，不足以用來推翻任何單一研究——它是讀文獻時的先驗校正，不是判決。

npj Digital Medicine, 2026-09-17

9 月 19 日 npj Digital Medicine 發表三階段盲測：第一階段目的盲化，12 位判讀者各看每個來源 60 張乳房超音波影像，不知道其中有合成影像。結果合成影像的判讀者感知品質反而較高，差值 0.44（95% CI 0.33–0.55）；模型估計的「影像足以進行基本評估」比率，合成為 95.9%、真實為 86.7%。12 位判讀者中只有 3 位主動質疑影像來源。第二階段明確告知有合成影像後，偵測準確率為 70.8%；第三階段提供辨識線索後升至 79.5%。最終在 94.9% 的合成影像評估中，判讀者選擇覆核、查證或不採用。

合成醫學影像原本被當成資料擴增的解方——罕見病灶不夠就生一些。這份研究把它翻成風險題：當生成影像的感知品質高於真實影像，訓練集、教學檔案、遠距判讀流程與研究資料庫的「來源鏈」就成了臨床安全的一環，而現行沒有任何醫院流程在查這件事。真正刺眼的數字是 3/12：不是判讀者辨不出來（告知後有七成），而是在沒被提醒時根本不會想到要問。這正好和前面 Dresden 那則構成一組：信任校準的失敗不在模型端，在人沒有被給予提問的時機。

12 位判讀者、單一模態（乳房超音波），樣本極小；作者明確表示本研究並未建立合成影像的臨床保真度、診斷等價性或因果介入效果。也就是說它證明的是「人不會主動懷疑」，不是「合成影像會導致誤診」。

npj Digital Medicine, 2026-09-19

9 月 19 日 npj Digital Medicine 發表以 WHO 開源資料集進行的獨立外部驗證：187 位病人、855 張陰道鏡影像，由中國 12 個地區、45 位不同資歷的陰道鏡醫師判讀。AI 單獨對 CIN2+ 的敏感度 84.2%（95% CI 74.4–90.7）；醫師無 AI 時 84.8%（95% CI 82.7–86.9），搭配 AI 後升至 90.6%（95% CI 88.7–92.1）。低經驗判讀者的 AUC 由 0.72 升至 0.76（p=0.043），敏感度提升 6.5 個百分點。同時每案平均切片數由 2.48 降至 2.02。

兩點。第一，這是用「別人的公開資料集」做的外部驗證，不是廠商自己的留出測試集——在上面那則「開發者效應」的脈絡下，這種驗證的證據權重明顯不同。第二，它同時改善了兩個通常互斥的指標：敏感度上升而切片數下降。多數輔助診斷 AI 的代價是過度檢查，這裡反而減少了侵入性處置，對子宮頸癌篩檢資源有限的地區特別有意義——而 AI 的增益集中在低年資判讀者身上，正是這些地區的人力結構。

187 位病人是很小的驗證集，CIN2+ 的信賴區間相當寬（AI 單獨 74.4–90.7）；AUC 0.72→0.76 的增幅在臨床上屬於邊際，p=0.043 也貼近顯著門檻。判讀者全在中國，陰道鏡訓練體系與台灣不同。切片數下降是好事，但研究並未追蹤是否因此漏掉任何病灶。

npj Digital Medicine, 2026-09-19

FDA 於 9 月 17 日在聯邦公報發布最終命令（Docket FDA-2025-P-5560），駁回由 Rubrum Advising 的 Nancy Stade 代表 Harrison.ai 於 2025 年 10 月 22 日提出的請願。該請願要求對放射科電腦輔助偵測／診斷（CADe／CADx）與電腦輔助分診通知（CADt）軟體給予部分 510(k) 豁免，條件是製造商已有先前 clearance 並落實上市後監測。FDA 套用裝置歷史、效能特性、變更可偵測性與分類穩定性四項標準後認定全部未滿足，明言「請願所提資訊未能證明上市前通報為非必要」，並同時表示仍會持續推動「創新且負擔最小」的數位健康監管途徑。最終命令全文見聯邦公報；產業端解讀見 PYMNTS。

放在本週其他七則旁邊，這一則才顯出份量。同一週 RADAR 把 146 種發現的通用模型直接開源，而 FDA 對已有多項 clearance、部署在 1,000 家以上機構的 Harrison.ai 說：你的下一版還是得回來排隊。監管機關實際上在回答一個很具體的問題——「模型更新後的效能變化，靠上市後監測偵測得到嗎？」——而它的答案是偵測不到。這正是 9/19 那兩份研究的實證支持：人類不會主動懷疑，信心分數不可信，那麼放行的關卡就只能留在上市前。對廠商的現實影響是營收綁在版本上：每一版有沒有 clearance 都要能追溯。

這是對「單一請願」的駁回，不是新的政策宣示，也不改變 FDA 既有的預定變更管制計畫（PCCP）途徑——業者仍可透過 PCCP 預先取得特定更新範圍的核准。把它讀成「FDA 全面收緊」是過度詮釋。聯邦公報正文在本環境無法直接抓取，文件識別資訊與引述經由公報官網頁面與 PYMNTS 報導交叉比對。

Federal Register 91 FR 58817, 2026-09-17 · PYMNTS, 2026-09-17

9 月 15 日 NVIDIA 部落格 揭露費城兒童醫院（CHOP）的心臟建模服務：以 MONAI、MONAI Label、NVIDIA Auto3DSeg、3D Slicer 與 SlicerHeart 等開源工具，從既有 CT、MRI 與 3D 超音波直接生成解剖精確的心臟模型，供先天性心臟病手術規劃使用。單例建模時間從 4 小時縮短到數秒；CHOP 今年預計建模約 200 例；全美 20 家以上兒童醫院有心臟建模計畫，波士頓兒童醫院每年用於約 500 台手術。先天性心臟缺陷約占活產的 1%。主持的心臟科醫師 Matthew Jolley 說：「你面對的是獨一無二的孩子，和一個現成規格的器材。我們的工作是找出哪一個裝得上。」

這是本週唯一一則「醫院自己建、跑在自己流程裡、有量化工作流改善」的案例，而且路線與 RADAR、Dresden 一致：開源工具 + 院內部署。四小時到數秒不只是省時間，它改變了建模能不能進入術前常規的門檻——4 小時意味著只有複雜個案才值得做，數秒意味著可以每台刀都做。值得注意的是這條路徑完全繞過了商業醫材的送審週期，因為它是手術規劃輔助而非診斷宣稱。

這是 NVIDIA 官方部落格的自述內容，不是同儕審查研究，也沒有第三方稽核；「4 小時縮到數秒」是流程時間，不是臨床結果——文中沒有任何手術成效、併發症率或死亡率數據。約 200 例、500 台刀等數字均為機構自報。

NVIDIA Blog, 2026-09-15