Red Density Score：2026年AI預測潰瘍性結腸炎復發準確率

Q: PROCEED-UC 研究證明了 RD 能預測什麼？

該國際研究證實，基於 AI 的 RD 內視鏡評分能成功預測處於緩解期潰瘍性結腸炎患者的長期臨床結局。搭配先導試驗 39 人、5 年追蹤數據，顯示 RD 對持續臨床緩解具有預測基礎。

Red Density Score預測潰瘍性結腸炎是這篇文章討論的核心

紅密度評分（Red Density Score）真能預測潰瘍性結腸炎結局？從 PROCEED-UC 到 2026 年醫療 AI 落地的深度觀察

圖：AI 深度學習正從實驗室走進內視鏡診間，紅密度評分（Red Density Score）是其中最吸睛的一匹黑馬。（圖片來源：Pexels / Google DeepMind）

💡 核心結論

紅密度評分（RD Score）是一套「操作人員獨立、自動化」的 AI 內視鏡評分系統，靠深度學習量化結腸黏膜的發紅程度，去預測潰瘍性結腸炎（UC）患者的復發與長期臨床結局。它不只把醫師「看紅眼」的經驗變成可複製的數字，更在 PROCEED-UC 國際研究中被證實能預測緩解期病人的長期預後——這讓它具備成為醫療影像 AI 標杆應用的本錢。

📊 關鍵數據（2027 與未來預測量級）

驗證研究中 RD 與組織學 Robarts 指數高度相關（r=0.65, p=0.00002），對變化的敏感度效應量達 1.16。
獨立佇列驗證：AUC 0.68、靈敏度 0.71、特異度 0.63、陰性預測值 0.68；RD 分數 >65 與複合終點相關。
先導試驗 39 名患者、長達 5 年追蹤，證實 RD 對「持續臨床緩解」有預測基礎。
全球 AI 醫療影像市場預計從 2026 年約 25 億美元成長至 2030 年代逾 200 億美元；廣義 AI 市場 2030 年邁向 1.8 兆美元量級。

🛠️ 行動指南

醫師：把 RD 當作內視鏡癒合的「第二雙眼睛」，在 Mayo 與 UCEIS 之外補一層客觀數位生物標記。
醫療新創：鎖定「數位生物標記＋可解釋 AI」的合規路徑，這是通過 FDA/CE 審查的關鍵敘事。
投資人：關注影像設備原廠與 RD 類演算法的授權整合機會，2026–2027 是床邊落地窗口期。

⚠️ 風險預警

RD 目前樣本仍偏小，AUC 0.68 屬「可用但尚未驚豔」區間，別把輔助工具神化成最終判決。
跨內視鏡機型、跨族群的外推性尚未完全驗證，黑箱模型的可解釋性仍是監管痛點。

什麼是紅密度評分（Red Density Score）？它憑什麼被稱為潰瘍性結腸炎影像診斷的標杆？

我們先來把這團霧撥開。潰瘍性結腸炎是一種反覆發作的慢性腸道發炎疾病，診斷與追蹤高度依賴大腸鏡。傳統上，醫師靠肉眼判讀黏膜「紅不紅、腫不腫、有沒有出血」，再用 Mayo 內視鏡子分數（MES）或 UCEIS 這類量表打分。問題來了——同一條腸子，不同醫師打出來的分數可能差很大，這種「人對人變異」正是精準醫療最討厭的雜訊。

紅密度評分（Red Density, RD）就是衝著這個痛點誕生的。它是一套自動化、操作人員獨立（operator-independent）的內視鏡評分系統，核心邏輯很直覺：用深度學習模型去量化結腸黏膜「發紅的密度與分佈」，把主觀的「看起來很紅」轉譯成 0–100 上下的一個連續數值。它的演算法在早期開發時，就把組織學疾病活性（Robarts Histological Index, RHI）塞進了機器學習模型裡當作標準答案，等於讓 AI 從一開始就學著對齊病理切片這把「金標尺」。

🔬 專家見解（Pro Tip）：RD 真正厲害的地方不在「辨識腫瘤」，而在它把「黏膜發炎」這種模糊概念數位生物標記化（digital biomarker）。當評分不再隨醫師心情跳動，多中心研究、真實世界證據（RWE）蒐集才變得可行——這正是它走向標杆地位的底氣。

值得一提的是，RD 並非孤島。它和近年的影像增強內視鏡（IEE）技術——像是 TXI（質地與色彩增強成像）與 RDI（紅雙色成像）——形成互補。RDI 同樣靠「紅」來判讀 UC 活性，而 RD 則進一步把紅色資訊自動算成數字，兩者合體簡直是「肉眼升級包」。

紅密度評分如何透過深度學習精準預測潰瘍性結腸炎的復發與臨床結局？

這裡要稍微鑽進技術縫隙裡看。RD 本質上是一個視訊級（video-based）的深度學習管線：它從內視鏡錄影畫面中擷取黏膜色譜特徵，特別是紅色通道的強度與空間密度，再透過卷積神經網絡輸出一個連續分數。重點是，這分數不是拿來「看當下」，而是拿來「算未來」。

在驗證研究裡，團隊把 RD 分數和既有的內視鏡、組織學指標做了對齊。結果很有意思：RD 與 Robarts 組織學指數呈現顯著相關（r=0.65, p=0.00002），對治療變化的敏感度效應量（standardised effect size）更高達 1.16——這數字意味著它抓「病情變動」的靈敏度相當優秀。另一組獨立佇列的統計則給出 AUC 0.68、靈敏度 0.71、特異度 0.63、陽性預測值 0.65、陰性預測值 0.68；當 RD 分數 >65 時，與複合終點出現統計上（雖未達顯著）的關聯趨勢（HR 0.49）。

數據佐證背後的邏輯鏈是：黏膜發紅密度高 → 顯微下組織發炎仍活躍 → 即使臨床症狀看似緩解，實質上處於「假性平靜」→ 未來復發風險上升。換句話說，RD 抓到的是那些「症狀沒了、腸子還在悶燒」的患者，這恰恰是傳統量表最容易漏掉的灰色地帶。

🔬 專家見解（Pro Tip）：別被 AUC 0.68 嚇到。在醫療決策輔助場景，AI 的價值往往不在「單挑醫師」，而在「補醫師的盲點」。RD 當作分流與監測工具，遠比當作獨立診斷來得務實。

PROCEED-UC 國際研究證實了什麼？AI 內視鏡評分對緩解期患者為何如此關鍵？

真正讓 RD 從「有趣」晉升到「臨床相關」的，是 PROCEED-UC 這項國際多中心研究。根據 Gastroenterology 與 Gastroenteology News 的報導，這套 AI 內視鏡評分工具成功預測了「處於緩解期」的 UC 患者的長期臨床結局。這句話的份量很重——因為緩解期病人最怕的就是「不知道什麼時候會復發」，而現有量表在這群人身上往往顯得使不上力。

往前回推，RD 的先導試驗（pilot trial）已經打下地基：39 名來自 RD 先導試驗的患者，被追蹤了長達 5 年，用來評估 RD 對「持續臨床緩解」的預測價值。這種長週期、真實世界的縱向數據，正是監管單位與健保給付方最想看到的硬貨。再搭配 2024 年發表於 GIE Journal 的獨立佇隊研究，證實 RD 與多種既有及新興組織學指標（包含 Geboes、Nancy 等）皆呈現相關——代表它不是只在自家實驗室裡靈光，而是能跨佇列複製結果。

為什麼緩解期這麼關鍵？因為現代 UC 治療的終極目標早已從「症狀緩解」推進到「內視鏡癒合（Endoscopic Healing, EH）」甚至「組織學癒合」。EH 已被證明與更好的長期預後相關，但 accurately 評估黏膜發炎與預測病程，一直是臨床上的硬骨頭。RD 這類數位生物標記，正好補上「客觀、可重複、可量化」的那一塊拼圖。

🔬 專家見解（Pro Tip）：PROCEED-UC 的意義在於它把 RD 從「影像美化工具」拉抬成「預後預測因子」。對藥廠來說，這意味著臨床試驗收案與療效評估可以更精準；對病人來說，則是有機會提早介入、躲過一次住院或手術。

2026 年後 AI 醫療影像市場將如何重塑腸炎診療產業鏈？投資與臨床落地的真實機會在哪？

把鏡頭拉遠，RD 這類應用其實站在更大的浪潮上。根據 Grand View Research 與 Research and Markets 的市場報告，全球 AI 醫療影像市場預計從 2026 年約 25 億美元，以年複合成長率（CAGR）30%–40% 一路衝到 2030 年代中後期的 200 億美元以上。若把視野放到廣義 AI 市場，2030 年更將邁向 1.8 兆美元的量級——醫療，是其中滲透率仍低、但付費意願正在覺醒的黃金賽道。

對產業鏈的衝擊可以拆成三層來看：第一層是「設備原廠」，內視鏡大廠會把 RD 類演算法整進機台韌體，變成標配賣點；第二層是「軟體即醫材（SaMD）」新創，誰先把可解釋、合規的數位生物標記送進 FDA 的 De Novo 或歐盟 MDR 審查，誰就卡到生態位；第三層是「數據與真實世界證據」服務商，因為模型要持續變強，就得靠多中心、跨族群的回饋迴圈。

對台灣與亞洲市場而言，這裡有個被低估的切入點：UC 在亞洲的盛行率正快速上升，而內視鏡檢查量本就龐大。若能把 RD 這類工具在地化（含中文介面、本地族群驗證），2026–2027 的床邊落地窗口期是兵家必爭之地。

🔬 專家見解（Pro Tip）：2026 年的醫療 AI 投資敘事已從「模型多厲害」轉向「誰能合規落地、誰能跑出回饋數據」。RD 的啟示是：選題要貼近真實臨床痛點（如緩解期復發預測），而非追逐炫技的通用大模型。

紅密度評分導入臨床前，醫師與患者必須知道的風險與侷限是什麼？

講完光鮮面，我們得把冷氣開強一點。RD 雖然前景誘人，但離「全面取代人腦」還早得很。首先是樣本規模：先導試驗僅 39 人、驗證佇列也偏精簡，AUC 0.68 落在「比瞎猜好、但還不到驚豔」的區間。醫師若把 RD 分數當成唯一判斷依據，風險不小。

其次是外推性（generalizability）。不同內視鏡機型、不同光源、不同族群（亞洲 vs 歐美）的黏膜色調本就不同，RD 在 A 醫院校準的模型，搬到 B 醫院未必穩。加上深度學習的「黑箱」特性，當模型給出一個高分，醫師往往難以解釋「它到底看到了什麼」——這在醫療糾紛與監管審查中都是敏感地雷。

最後是倫理與資安。腸鏡影像屬高度敏感個資，模型上雲還是地端部署、資料去識別化是否徹底，都直接牽動患者信任。這些不是技術細節，而是決定 RD 能否走出論文、走進診間的生死線。

🔬 專家見解（Pro Tip）：對患者最誠實的建議是——RD 是「幫醫師看得更準的輔助」，不是「免於回診的護身符」。即便分數漂亮，定期追蹤與醫師綜合判讀仍不可省略。