醫療影像 AI 怎麼落地:從報告草稿生成到工作流整合,放射科導入的合規與驗證要點

去年冬天,我們進了一間區域醫院的放射科。他們半年前上線了一套胸部 X 光 AI,供應商 Demo 時的靈敏度數字很漂亮。可是我坐到值班醫師旁邊看了一個下午,發現一件事:AI 標出來的結節,醫師幾乎都直接關掉。不是不準,是那個框跳出來的時機、位置、還有它跟 PACS 的接法,全都在打斷判讀的節奏。真正被採用的功能,只有一個——它幫忙把「無異常」的正常片先排到佇列後面。

這就是醫療影像 AI 導入最常被低估的地方。模型準不準,只是入場券;能不能嵌進放射科既有的判讀動線,才決定它會不會被用。

放射科醫師真正要的不是「診斷」,是省下的那 90 秒

先講清楚一個 persona。放射科醫師一天要判讀幾百張片,他的痛點不是「我不會看」,而是「我看太多、打字太慢、正常片吃掉太多時間」。所以落地劇本的第一站,通常不該是自動診斷,而是報告草稿生成。

我們現在偏好的切入點,是讓 AI 在醫師開啟影像的同時,預先生出一份結構化的報告草稿:器官分段的常規敘述、量測數值(結節大小、心胸比、椎體高度)、以及一句話的印象初稿。醫師的動作從「對著空白模板口述」變成「改一份已經寫好八成的草稿」。這件事不改變診斷責任歸屬——最終簽署的是人——但它把每份報告的產出時間往下壓。在我們接手的案子裡,量測與制式敘述佔掉的鍵盤時間,是真正能被 AI 吃掉的部分,而且醫師不會抗拒,因為決策權還在他手上。

草稿生成的雷,在於「幻覺一句都不能有」。放射報告裡多寫一個不存在的病灶,比漏寫更危險。所以我們的做法是:量測與分段這類有像素證據支撐的內容,才讓模型生成;沒有影像證據的推論性描述,一律留白給醫師填。寧可草稿短,不要草稿假。

PACS 工作流整合:AI 要活在醫師本來就在看的那個畫面裡

第二站是整合。很多導入失敗,不是模型的錯,是它被放在一個獨立的網頁後台,要醫師另開視窗登入。放射科醫師不會為了你多開一個分頁。

真正能被採用的接法,是讓結果回流到既有系統:結構化報告推進 RIS 的報告欄位、標註以 DICOM SR 或 secondary capture 疊回 PACS、危急發現(critical finding)透過既有通報管道推播。醫師的視線不用離開判讀工作站。這也是為什麼我們每個影像案子都堅持派工程師進場——DICOM 節點怎麼配、HL7/FHIR 訊息怎麼對、on-prem 還是院內私有雲,這些細節談不清楚,再好的模型也上不了線。

合規界線:你的 AI 是不是 SaMD,決定了驗證的重量

這是台灣團隊最常踩的坑。同樣一套影像 AI,依它宣稱的用途,監管重量差非常多。粗略地說:

界線的關鍵,不在技術,而在「你怎麼宣稱它的用途」。一旦你說它能取代或替醫師下診斷,它就是 SaMD,得走查驗登記那條路。這不是要嚇退你——需要走 SaMD 就老實走——而是要你在寫下第一句產品文案前,就想清楚落在哪一格。我們看過太多團隊,demo 講得像自動診斷,合規卻按行政工具準備,上線前才發現整個驗證計畫要重來。

臨床驗證:不要只信供應商的那張 ROC 曲線

最後是驗證。供應商附的靈敏度、特異度,幾乎都是在別人的資料集上跑出來的。你院內的機台廠牌、拍攝參數、病人族群,和那個資料集通常不一樣。

我們的最低標準是:上線前用院內回溯資料做一次本地驗證,分科室、分機型看性能有沒有掉;上線後留一段人機並行期,把 AI 建議與醫師最終判讀的落差記錄下來,設一個回饋迴路。模型會漂移,拍攝流程會改,去年準的今年不一定準。驗證不是一次性的關卡,是要一直開著的儀表板。

回到開頭那間醫院。我們沒有換模型,做的事是把 AI 從獨立後台接回 PACS、把它的角色從「診斷」改成「草稿與分流」、再補上院內本地驗證。三個月後,醫師開始主動問下一個模組什麼時候上。在 Tenten,我們做影像 AI 從不從模型開始談,而是先坐到醫師旁邊看一個下午——Demo 很美不算數,片子照樣進來、醫師照樣用、報告照樣簽出去,那才算真的上線了。