別怕被 AI 取代！放射科給所有知識工作者的啟示：你的價值藏在機器看不懂的地方

本文主要內容出自於  Deena Mousa 電子報，The Works in Progress Newsletter

「我們現在就該停止訓練放射科醫生」

這句鏗鏘有力的斷言，出自2016年人工智慧界的巨擘 Geoffrey Hinton 之口。當時，AI 的浪潮正席捲全球，而放射科影像判讀，一個高度依賴數位影像、具備明確基準與重複性任務的領域，被視為最快會被機器取代的人類專業。Hinton 的話語，宛如一紙對放射科醫生這門職業的末日預言，讓許多人相信，AI 將在短時間內接管所有影像判讀工作，人類專家的角色將迅速式微。

然而，將近十年過去，現實卻上演一齣截然不同的戲碼。不僅沒有出現放射科醫生的大規模失業潮，對他們的需求反而攀上前所未有的高峰。2025年，美國放射科住院醫生計畫提供創紀錄的1208個職位，職位空缺率亦達歷史新高。與此同時，放射科醫生的薪資水準一飛沖天，平均年收入高達52萬美元，相較於2015年，成長幅度超過48%，使其成為全美收入第二高的醫療專科。

這是一個巨大的悖論：在一個最適合被 AI 取代的領域，人類專家的價值為何不減反增？這場看似註定由機器獲勝的競賽，為何以人類的全面勝利暫告一段落？深入探究其背後的原因，我們發現，這並非單純的技術問題，而是一場涉及臨床現實、法律規範、人類行為與經濟動能的複雜博弈。

實驗室的王者，臨床的挑戰者

AI 在放射學領域的初登場確實驚艷四座。2017年問世的 AI 模型 CheXNet，在判讀胸部 X 光片的肺炎病徵時，其準確度已超越一組通過專業認證的放射科醫生。此後，各類型的 AI 產品如雨後春筍般湧現，它們能在基準測試中，以比人類更快的速度、更高的精度，偵測數百種不同掃描影像中的病灶。至今，美國食品藥物管理局（FDA）已核准超過700種放射學 AI 模型，佔所有醫療 AI 設備的四分之三。

這些模型在受控的基準測試中表現優異，但一旦進入真實、混亂的醫院環境，它們的完美光環便迅速褪色。這背後的第一層原因，在於「基準測試」與「臨床實踐」之間的巨大鴻溝。

AI 模型的訓練過程，宛如在無菌實驗室中培養植物。開發者會使用經過嚴格篩選的影像資料集，這些影像中的診斷必須明確無誤，通常由二至三位專家達成共識，或有病理結果作為最終確認。所有拍攝角度不佳、過於模糊或光線昏暗的影像都會被剔除。這種作法確保模型能學會辨識最典型、最清晰的病例，但也導致其性能偏向於醫生本來就最擅長診斷的「簡單個案」。

當 AI 面對真實世界的影像時，挑戰便接踵而來。一位放射科醫生描述：「我所使用的一款模型，會把手術釘標示為出血，只因為在影像中它們都呈現明亮的條紋。」真實的臨床影像充滿變數，疾病可能以非典型或極其細微的形式呈現，也可能同時存在多種相互干擾的病理狀況，例如肺積水或肺塌陷，這些都可能讓 AI 產生混淆。人類醫生能借助病患的完整病史與其他臨床資訊進行綜合判斷，但多數 AI 模型卻缺乏這種全局觀。

更嚴峻的挑戰是「樣本外」的性能衰退。在美國，38% 的 AI 模型在申請監管批准時，僅使用來自單一醫院的數據進行測試。當這些模型被部署到其他醫院時，由於不同醫院的病患族群、影像設備校準方式、甚至是技師的操作習慣都存在差異，其性能可能會大幅下降，降幅有時高達20個百分點。這意味著每家醫院在引進新的 AI 工具前，即便該工具已在別處證明有效，仍需耗費資源進行重新訓練或驗證，大幅增加其應用門檻。

數據偏見也是一個根深蒂固的問題。用於訓練的醫學影像資料集，往往缺乏來自兒童、女性及少數族裔的案例，這使得模型對這些族群的診斷表現普遍較差。許多數據集甚至根本沒有標註性別或種族資訊，讓修正這些偏見變得難上加難。

回顧歷史，這並非 AI 首次在臨床應用中遭遇挫敗。早在1990年代，一種被稱為「電腦輔助診斷」（CAD）的早期 AI 系統被開發用於篩檢乳房攝影，以尋找乳癌跡象。初步試驗顯示，人類醫生與 CAD 系統的組合，其判讀準確性高於單純的人類醫生。基於這些樂觀的結果，FDA 在1998年批准這項技術，聯邦醫療保險（Medicare）也從2001年開始提供給付。到了2010年，全美約74%的乳房攝影檢查都有 CAD 系統的參與。

然而，大規模的臨床研究揭示一個令人失望的真相。一項涵蓋43萬次檢查的大型研究發現，引進 CAD 的診所，雖然讓醫生多執行20%的切片檢查，但最終發現的癌症數量並未增加。換句話說，CAD 系統增加假警報的機率，導致更多不必要的侵入性檢查，卻沒有提升癌症的檢出率。另一項研究更指出，相較於由兩位醫生進行「雙重判讀」，CAD 的表現不僅更差，甚至還不如標準的單人判讀流程。最終，在2018年，Medicare 停止為使用 CAD 的乳房攝影提供額外給付。

這個歷史教訓凸顯人類行為在其中的關鍵角色。在受控的實驗環境中，醫生或許能理性地將 AI 的提示作為參考，但在日常高壓的臨床工作中，他們似乎會過度依賴 AI。一項2004年的研究發現，當 CAD 系統未能標示出惡性腫瘤時，許多醫生會將此視為影像乾淨的保證，從而錯失診斷機會。當 AI 提供錯誤指引時，醫生做出錯誤決策的可能性比未受輔助的同儕高出26%。

跨越技術之外的重重關卡

即便我們能開發出完美的 AI 模型，解決所有技術上的限制，它依然無法完全取代放射科醫生。因為影像判讀，僅僅是放射科醫生工作的一部分。

2012年一項針對三家醫院放射科醫生的研究發現，他們只有36%的時間用於直接的影像判讀。其餘大量的時間，則用於監督影像檢查的執行、與主治醫師溝通診斷結果與治療建議、直接與病患解釋病情、指導住院醫生與放射技師，以及審核影像檢查的申請與調整掃描參數。這些任務涉及複雜的溝通、決策、教學與品質控管，遠非當前 AI 的能力所及。AI 或許能加速判讀過程，但放射科醫生只需將節省下來的時間，轉移到其他無法被自動化的工作上。

法律與保險制度，則構成另一道難以逾越的高牆。FDA 將影像軟體分為兩類：「輔助或分流工具」與「自主診斷工具」。前者僅作為醫生的助手，最終報告仍需由執業醫師簽署；後者則可獨立運作。要成為自主診斷工具，AI 必須通過極其嚴格的審查，證明它能自動拒絕判讀任何品質不佳或超出其能力範圍的影像。這個門檻非常高，因為一旦人類監督的角色消失，軟體中一個潛在的缺陷，就可能在被發現前傷害成千上萬的病患。

即使有模型成功獲准自主運作，醫療疏失保險公司也對此抱持高度疑慮。診斷錯誤是美國醫療疏失賠償中最昂貴的一項，而放射科醫生是常年的被告。保險公司認為，單一演算法的錯誤可能同時影響大量病患，引發災難性的集體索賠，其風險遠高於單一醫生的偶發失誤。因此，許多保險合約中開始出現類似「絕對 AI 豁免」的條款，明確表示不為軟體自主生成的診斷提供任何保障。

在缺乏保險覆蓋的情況下，醫院幾乎不可能冒著巨大的財務風險，讓演算法獨立簽署診斷報告。除非醫院相信自主 AI 帶來的成本節省或效率提升，足以抵銷這些龐大的法律與制度性風險，否則「人機協作」仍是唯一可行的模式。

需求彈性下的經濟反饋

最後，一個看似違反直覺的經濟學現象，為放射科醫生需求的增長提供最終的解釋，傑文斯悖論（Jevons paradox）。這個理論指出，當一項技術的進步提升資源使用的效率時，反而可能導致該資源的總消耗量增加。

這個現象在放射學領域早有先例。2000年代初期，醫院從傳統的膠片影像全面轉向數位化系統。數位化大幅提升放射科醫生的工作效率，判讀單張影像的時間顯著縮短。溫哥華綜合醫院的一項研究顯示，改用數位系統後一年內，放射科醫生在普通放射攝影的效率提升27%，在電腦斷層掃描（CT）的效率更是飆升98%。

按照傳統邏輯，效率的提升應當意味著所需人力減少。但事實上，沒有放射科醫生因此被解雇。相反地，從2000年到2008年，美國每千名被保險人的影像檢查總使用率，暴增60%。原因在於，數位化不僅讓判讀變快，也大幅縮短報告的周轉時間。過去，急診病患的 X 光報告中位數等待時間長達76小時，數位化後降至38小時。

影像檢查的「時間成本」大幅降低，促使臨床醫生更頻繁地使用這項工具。過去只有在極端創傷情況下才會考慮的全身 CT 掃描，如今因其快速的周轉時間而成為常規選項。影像檢查的需求呈現高度彈性，當其價格（無論是金錢或時間）下降時，需求量便不成比例地大幅增加。

AI 的導入，正複製這段歷史。AI 進一步壓縮判讀時間，降低成本，這可能誘發新一輪的影像檢查需求增長。更多的檢查量，意味著需要更多的放射科醫生來執行那佔據他們64%工時的、無法自動化的任務。

過去十年的發展，揭示一個深刻的啟示：AI 在放射學領域的應用，其前景被單純的基準測試過度誇大。從實驗室到臨床的道路上，充滿技術的侷限、人類行為的變數、制度的慣性以及經濟力量的反饋。每一個環節都讓「完全取代」成為昂貴且充滿風險的選項，而「人機協作」則成為預設的路徑。

放射學的故事，為我們理解 AI 如何融入複雜的知識型工作提供一個寶貴的模型。在那些任務多元、風險高昂、需求富有彈性的領域，軟體的進步，至少在初期階段，帶來的或許不是工作的終結，而是更多的人類參與。機器越是精進，放射科醫生反而越是忙碌，這個弔詭的現象，至今依然成立。