AI 如何讀懂乳房X光片的微小異常？深度學習比人類早兩年發現癌症軌跡

我們常聽到 AI 作弊般地在圖像辨識比賽中打趴人類，但在真正的臨床現場，乳房X光扫描的判讀遠比 Classifying Cats vs Dogs 複雜得多。微小鈣化點、組織密度扭曲、邊緣不規則的腫塊——這些早期病灶可能只占幾像素，且常常被正常乳腺組織淹沒。

深度學習卷積神經網路（CNN）之所以能在這领域突圍，關鍵在於它不仰賴人工設計的「特徵提取器」，而是讓神經網路自行從數十萬張標記影像中學出哪些像素組合最具恶性暗示。換句話說，AI 不是直接看「肿块」，而是在高維特徵空間裡找出人類肉眼根本無法直觀理解的「癌症譜Signature」。

這類模型在 Retrospective 研究中展現出 impressive 的性能，例如 Insigits into Imaging 2025年那份針對 12,433 名亞洲女性的研究，其 AI 系統在惡性診斷的 AUC 達到 0.995——近乎完美的區分能力。但更令人振奮的是，AI 還能從「看似正常」的影像中預測未來兩年內發病的風險，這意味著它捕捉到的可能不是單一病灶，而是整個乳腺組織的«field cancerization»效應。

數據佐證：不只是實驗室數字

回顧過去五年的前瞻性實證，AI 在乳房X光篩檢中的表現已從「potential」轉向「proof」。例如 2025 年發表於 The Lancet Digital Health 的 MASAI 試驗，就是一項隨機對照、平行分組、單盲的前瞻性研究，直接比較 AI 整合路徑與傳統雙重閱讀。結果顯示，AI 組的癌症檢出率雖未顯著劣於對照組，但召回率（recall rate）保持非劣效，代表誤報並未增加，這對於大規模公共衛生規劃至關重要。

另一方面，2024 年哈佛大學推出的 CHIEF 模型更誇張，它不僅用於乳腺，還能泛化到多種癌症類型，在內部測試中達到 94% 的診斷準確率，且能預測患者對治療的反應。這暗示 AI 的應用範圍可能從「檢測」延伸到「预后」與「精準治療」。

PRAIM 實證數據：46 萬人篩檢背書，AI 輔助讓癌症檢出率提升 17.6% 且假陽性不增

當學術界還在吵論證實證數據時，德國已經默默的玩真的。PRAIM（Population-based AI-supported Mammography）是一項涵蓋 12 個中心的觀察性、真實世界、非劣效性實作研究，從 2021 年 7 月到 2023 年 2 月，共掃描了 463,094 名 50-69 歲女性，其中 260,739 人次接受 AI 輔助雙重閱讀。

結果出來時連研究團隊都嚇到：AI 輔助組的癌症檢出率為每千人 6.7 例，對比純人 reading 組的每千人 5.7 例，提升了 17.6%（95% CI: +5.7%, +30.8%），且統計顯著優越。重點是，AI 組的召回率（Recall Rate）為每千人 37.4，反而略低於對照組的 38.3，完全符合非劣效標準。

這意味著什麼？簡單講就是「More Hits, Less Noise」——AI 不只抓出更多真正癌症，還沒增加假警報。这不仅對患者減少不必要的BI-RADS 0/3追蹤檢查有帮助，也為醫療系統節省大量資源。

為什麼歐洲敢大規模部署？

德國這次能快速把 AI 整合進公費篩檢程式，歸功於法規提前綠地與健保署的彈性支付。PRAIM 研究中的放射科醫師是「自願選用」AI，而非強制，這降低了實務面上的抗拒感。另外，AI 系統在這裡的角色是「第二讀者」而非「終極判準」，人機協同的設計保留了醫師的最終決策權。

對台灣或其他亞洲地區而言，PRAIM 的启示是：只要選擇經過前瞻性驗證、Non-inferiority 通過的 AI 工具，並搭配適當的醫師教育訓練，大幅提升篩檢效能並不會遙不可及。

你以為 AI 只是輔助？它在某些情況下已經甩開放射科醫師單飛作戰

多數品牌行銷仍強調「AI 輔助診斷」，但數據已經顯示，在特定情境下 AI 表現可能超過人類。Insights into Imaging 那份多中心研究不僅測試 AI 單獨診斷 AUC 高達 0.995，還设计了 Counterbalanced 的人機協作實驗：十位放射科醫師在.with. AI 輔助下，敏感度與特異性都有顯著提升，尤其對 BI-RADS 0 的影像，AI 能提供關鍵第二意見。

然而，2025 年 6 月 Radiology 期刊同時發表了另一篇潑冷水的論文：研究發現，AI 漏看的侵襲性乳癌有其模式——HER2-enriched 亞型被逮到的機率最高（假陰性率低），但密集乳腺（dense breasts）的非腔室 type 癌則最常從 AI 眼皮底下溜走。這告訴我們，AI 的弱點依然明顯，尤其在組織結構複雜、腫瘤與周圍密度相近的情境下。

單飛作戰的可能性： مستقblik 與 Workflow 重構

一旦 AI 系統在前瞻性研究中證明非劣效， popping question 就變成：我們还需要第二個人吗？芬蘭與荷蘭已經在試驗「AI-first」的篩檢流程：AI 自動 triage 所有影像，only 可疑案例才交給醫師覆閱，這樣可以將放射科醫師的工作量降至三分之一，同時維持甚至提升檢出率。

但這也帶出新的 labour 市場隱憂：若 AI 真的接手常規判讀，基層放射科醫師的 training 會不會出現 skill decay？過度依賴 AI 是否会让醫師在 AI Fail 時束手無策？這些問題在 2026 年可能會從理論爭辯變為實務挑戰。

2027 年市場規模將破 19 億美元：AI 醫療影像產業鏈的冰與火之歌

市場研究機構 Grand View Research 預估，全球 AI 醫學影像市場將從 2024 年的 13.6 億美元，以 34.67% 的複合年增长率成長，到 2033 年達到 19.78 億美元。如果只看乳房專用 AI 工具，目前 zwar 市場份額較小，但增速驚人，主要驅动力來自 public screening program 的数字化升级與 Private health insurers 對成本控制的迫切需求。

產業鏈變化：誰吃肉？誰喝湯？

傳統 PACS 廠商與新創 AI 公司正經歷一場 vertical integration 卡位戰。大廠如 GE HealthCare、Siemens Healthineers 傾向把 AI 嵌入自家掃描儀與工作流平台，形成封閉生態；而獨立 AI 新創（如 ScreenPoint Medical 的 Transpara）則強調跨設備相容性，走开放路线。對医疗机构來說，選擇哪一種模式會影響到長期採購成本與系統彈性。

另外，美國 FDA 的 De Novo 途径與歐洲 CE-IVDR 認證都開始针对「算法迭代更新」提出更高要求，意味著 AI 軟體不再是一買永有，而是類似 SaaS 的订阅制。這將改變業者的收入模式，也將影響到醫院的預算規劃。

風險與 Reality Check：AI 也會漏看，哪些乳癌最溜到 AI 眼皮底下？

Despite all the hype, AI 的 false negative rate（FNR）在密度較高的乳腺中仍然可觀。2025 年 AJR 的研究分析了 2010-2022 年全國 mammography database，發現 screening mammogram 的 FN 率約為 0.1-0.2/1000，而 diagnostic mammogram 則更高。AI 加入後，某些次型別的癌症更容易被漏掉，例如非腔室 A/B 型、triphe negative 在密集組織中的表現。

假陰性的背後：資料偏差與生態效應

AI 的訓練數據若來自單一族群（例如歐美白人、非密集乳腺），在亞洲人群或高密度乳腺上的表現就可能打折扣。這不只是 ethinical bias 問題，更涉及影像取得 Protocol 的差異。例如亞洲女性平均乳腺體積較小，鈣化分佈模式也可能不同，若 AI 沒學過足夠的樣本，自然會出現 blind spot。

另外， retrospective 研究中那些「AI 單飛成功」的案例，很多是在已經有病灶出現卻被醫師忽略的影像上表現突出。但在真實的 screening 環境中，很多 interval cancers 在當時影像上可能根本「看不到」任何異常，這是人类與 AI 共同的極限。

常見問答（FAQ）

AI 乳房 X光掃描會取代放射科醫師嗎？

短期不會。目前的證據顯示 AI 最適合作為「第二雙眼睛」，協助減少人為疲勞錯誤。但隨著 AI become135 first-line 的實證累積，某些低風險人群的 routine screening 可能會先轉為 AI triage，醫師則專注於 high-risk 與 borderline cases。

密集乳腺（dense breasts）的女性適合使用 AI 輔助嗎？

適不適合要看 AI 模型的訓練數據是否包含足夠的 dense breast 標本。目前研究顯示 AI 對 dense tissue 中的腫瘤檢測能力仍然有限，建議這類女性仍應考慮搭配超音波或 MRI，不要把雞蛋全放在 AI 籃子裡。

AI 輔助篩檢是否已經進入台灣的醫療體系？

截至 2025 年，台灣部分大型醫學中心與健检中心已導入 AI 工具作為 research use，但尚未被健保署列為常規給付。若想在城市中體驗 AI 輔助的乳房 X 光檢查，可以到我方合作的國際醫療單位，或透過 聯絡我們 索取最新機構清單與專業建議。

立即行動

如果你是一位關注乳腺癌早期檢測的醫療決策者、或正在為醫院規劃數位轉型的資訊主管，現在正是深入了解 AI 輔助工具的最佳時機。我們提供量身訂制的技術諮詢與實證數據分析，協助您選擇最適合的解決方案。

聯絡我們獲取專屬評估報告

參考資料

• Nationwide real-world implementation of AI for cancer detection in population-based mammography screening (Nature Medicine, 2025)
• Screening performance and characteristics of breast cancer detected in the MASAI trial (The Lancet Digital Health, 2025)
• Mammography-based AI for breast cancer detection using multi-view CNNs (Insights into Imaging, 2025)
• AI in Medical Imaging Market Size Report 2033 (Grand View Research)
• Breast cancer fact sheet (World Health Organization, 2025)
• Invasive Breast Cancers Missed by AI Screening of Mammograms (Radiology, 2025)