引言：我看到的是「訴訟訊號」而不是單純產品更新

這則新聞乍看是：Heartflow 走上法律途徑，對 Cleerly 提出 AI 心臟診斷相關的專利侵權指控。 但我更在意的是它釋放出來的「產業訊號」——2026 年，醫療影像 AI 的競爭不只在模型指標、也在能不能把技術路徑講成一套可對應專利權利要求的敘事；更別說，法院/審查在看事情時，往往會比你想像的更貼近流程細節。

Heartflow 的核心技術主軸是用機器學習分析心臟影像與血流等資料，提供非侵入式的檢測與診斷服務，並主張自己已獲多項專利。對方 Cleerly 則被指控未經授權使用相同或相似的演算法，並可能涉及知識財產權違反。這裡沒有玄學：你一旦把 AI 產品做到能影響診療決策，你的演算法與資料管線就會變成資產，也同時變成爭議點。

為什麼 Heartflow 會在 2026 年直接打到法庭：Cleerly 的 AI 心臟演算法到底踩到哪條線？

根據 2026 年 4 月的公開報導，Heartflow 向位於美國東德州的聯邦法院提起訴訟，指控 Cleerly 在 AI 心臟診斷技術上涉嫌侵權。多家媒體/法律資訊來源指出，Heartflow 認為 Cleerly 未經授權使用其相同或相似演算法，並違反其技術與資料相關的知識財產權。這類訴訟通常不是只靠一句「你抄了」就能成立，核心會回到：權利要求範圍是否被落入、被指控產品的實作是否符合關鍵步驟、以及資料/流程是否呈現足夠可比性。

從技術面來看，心臟影像 AI 尤其容易被聚焦在三段流程：影像/訊號輸入、特徵萃取與模型推理、輸出到臨床解釋的映射。Heartflow 的描述方向是「基於機器學習分析心臟影像、血流等資料」以提供非侵入式檢測與診斷。若 Cleerly 的方法在資料管線、模型架構或輸出表示上出現高度相似，原告就會用專利文件去「對照落點」。

更值得注意的是：這類案件常伴隨對研發與人員流動的敘事。部分報導提到（以法律資訊摘要呈現）與前顧問/人員移轉相關的指控脈絡。這會讓法院更願意查看「知識如何被帶走」與「技術是否被複製到可運作版本」。所以對於 2026 的團隊來說，核心不是你寫了哪些漂亮論文，而是你能不能在法務語言裡把技術界線畫出來。

你可以把這場官司理解成：原告在用專利文件把競品的技術流程「逐格對照」。如果你做的是類似 AI 診斷，接下來你最要檢查的不是行銷文案，而是你的流程是否能被清楚說明、是否有權使用你的資料與特徵、以及你在更新模型時是否維持可追溯性。

Pro Tip：資料、演算法、專利邏輯怎麼被法官/審查員「拆開看」？（你也該這樣驗）

把上面講得更落地一點：你可以用「三份清單」來自查。

（1）專利落點清單： 把你的方法流程寫成步驟條列，逐步標註你使用的關鍵技術（例如：分割/配準、血流或解剖幾何表徵、風險分層輸出）。然後才是做比對。

（2）資料權屬清單： 影像來源、同意/合約條款、標註規則、訓練/推論用途、以及你是否對資料做了衍生變換（這些都會影響「你到底擁有什麼權利」。）

（3）變更控制與稽核包： 你更新模型後，輸出行為如何驗證？誰負責？用什麼資料集？有沒有版本號？沒有這些，你在專利爭議或監管對話中就會很被動。

這個框架不會保證你一定不會遇到爭議，但它會讓你在面對「相似演算法」時，有能力把差異講得清楚、證明得出來。對正在擴張的醫療影像 AI 供應鏈而言，能講清楚的人，才更容易被採用。

2026～未來的影響鏈：從影像供應商到臨床導入，會因專利戰而變形嗎？

先把大方向講白：這類專利侵權訴訟最直接的影響，是加速整個產業的「法務化」與「治理化」。以前你可能只需要證明臨床有效性、成本效益、或工作流程效率；現在你還要證明你在技術與資料上的合法性與可持續性。這會重塑供應鏈的節奏，特別是在臨床影像 AI：

1）研發端：從「準確率」走向「可對照性」
如果模型/流程更容易被拆解成可落點的步驟，且你有證據證明你沒有落入他人的權利要求，那麼你在競業或訴訟場景下更有機會談判、或至少不會被拖到毫無還手能力。相對地，黑箱太重、資料來源太散、版本控管太鬆的團隊，會更容易被當成「難以驗證的風險」。

2）商務端：授權盤點會變成入門門檻
AI 在 2026 年已進入大規模資金投入階段。Gartner 預估 2026 年全球 AI 支出約 2.5 兆美元，代表市場不缺錢，缺的是能快速落地且低法律風險的方案。當採購方/醫院開始把「訴訟風險」納入決策，授權狀態、資料權屬文件、以及模型更新策略就會被當作採購必看項。

3）臨床導入端：導入速度可能變慢，但合規會更標準化
不代表臨床會停，只是節奏會變。因為 AI 醫療設備/軟體的監管與風險治理也在演進。以 FDA 對裝置軟體功能的相關指引可見，其強調在上市前需要提交評估安全與有效性的資訊。對於 AI 模型的持續更新，治理要求也會更像工程管理，而不是「研究結果放上去就好」。

4）未來市場結構：會出現更多「資料/模型/權利」一體化服務商
你會看到更多公司把自己的差異從單純模型準確率，延伸到資料管線能力、可追溯治理、以及專利/授權管理。供應商若能提供完整的交付包（不是只有 API），更可能被大型醫療體系採納。

因此，對 2026～未來的產業鏈影響會呈現「先篩選」：能快速把 IP 與治理講清楚的，較快進醫院；模糊地帶的會被拖慢。這看起來不爽，但其實是市場在把品質門檻制度化。

風險預警：醫療影像 AI 團隊最容易忽略的 4 件事

• 資料不是「拿得到就能用」： 訓練影像的授權範圍、標註用途、以及衍生轉換的合約約束，會在法律與監管評估中被放大。資料權屬不清，後面會直接反噬產品可用性。
• 相似演算法 ≠ 安全區： 即使你改了某些參數或換了模型骨架，仍可能在關鍵步驟落入權利要求。你需要可證明的差異證據鏈，而不是口頭說「差不多」。
• 版本控管做得不夠細： AI 模型更新會帶來行為變更。若你沒有文件化的變更流程、測試與驗證方法，遇到審查或爭議就會被迫「臨時補考」。
• 臨床輸出敘事太簡化： 很多團隊只說模型輸出是風險分層或指標，但忽略了輸出如何被轉成臨床可行動資訊。這段的透明度不足，容易在盡職調查與法律評估中吃虧。

想把這些風險落到行動上？你可以用一個現實問題逼自己：如果今天要你在兩週內交出「演算法流程圖 + 資料權屬證明 + 版本變更紀錄」，你交得出來嗎？如果答案是「不確定」，那就先補。市場在 2026 年已經在加速篩選。

FAQ