Letter to the Editor: Deep learning-derived features on neonatal abdominal radiographs—implications and next steps for early NEC diagnosis

宣稱能以 0.92 準確率 超越專家的 AI 腸炎診斷模型，在套用最新 AI 臨床指引後，其實際應用價值可能大幅衰減。

早期 NEC 腸炎與 Bell 氏一期的 AI 診斷挑戰

早期新生兒壞死性腸炎（NEC）的影像學變化極其快速，往往在數小時內就從非特異性的腸道擴張惡化為廣泛的腸壁壞死與穿孔。傳統的診斷高度依賴放射科醫師的主觀經驗直覺，這在夜間值班或非小兒專科醫師判讀時，容易產生極大的觀察者間差異。近期 Wu 等人發表了一項運用深度學習特徵與 radiomics（從影像自動抽上千個量化特徵） 來輔助早期 NEC 診斷的模型，宣稱其整體效能超越了具備十年以上經驗的專科醫師。然而，醫學影像 AI 的發展已過了單純比拼跑分數據的年代，高準確率的背後往往潛藏著過度擬合與臨床適用性不足的深層問題。Wang 等人透過這篇致編輯的信件，一針見血地點出了該模型在邁向實際臨床應用前必須跨越的門檻。作者強調一線從業人員不應僅憑論文宣稱的高 AUC（反映模型整體分類能力的曲線下面積） 就盲目信任系統。他們引述了多項國際醫學期刊共同推崇的最新 AI 報告指引，對該研究的盲點進行了系統性的解構，也為未來類似的演算法開發立下了明確的評估標竿。

TRIPOD 框架下腹部 X 光訓練集洩漏檢視

在評估這類涉及重症決策的輔助診斷工具時，研究設計的透明度與可重現性是衡量其可信度的首要條件。本篇信件的作者們引用了三套重量級的國際規範：CLAIM（專為醫學影像 AI 設計的評估清單）、TRIPOD+AI（預測模型開發與驗證的透明度指引） 以及 STARD-AI（診斷準確度研究的最新報告標準），對原研究進行了無死角的逐項比對。從 Methods 的細節深入剖析，原研究雖然使用了超過兩千張的大規模影像數據，卻未明確交代訓練集與測試集的詳細劃分機制。這在 CLAIM 指引中是極為致命的失誤，因為若數據切分之間存在患者級別的 患者重疊（patient overlap），或時間軸上的 資料洩漏（data leakage），模型極易透過記憶特定醫院的影像特徵來達成虛假高分。此外，對於早期 NEC 的判斷基準，原研究主要依賴 1978 年由 Bell 等人提出的分期系統作為訓練標籤。早期症狀本身就具備高度主觀性且缺乏絕對病理佐證，若用這類軟標籤去訓練如 ConvNeXt（純卷積架構的先進影像分類模型） 等強大網路，機器學到的可能只是該醫院的主觀偏差。信中特別重申，未來的演算法研究必須在 STARD-AI 框架下，強制性提供多中心跨國外部驗證的具體數據，才能確保其在不同醫療環境下的泛化能力。

Table 1 漏報區間與 AUC 0.89 迷思

把焦點拉到具體的數據檢驗，作者在信中明確指出原論文在結果呈現上的報喜不報憂，並以信件內的 Table 1 彙整了不符合規範的漏報項目。原研究的 Table 2 聲稱其深度學習模型的整體 敏感度高達 91%、特異度為 85%，但正文卻遺漏了至關重要的 95% 信賴區間 數據。缺乏這些區間估計，臨床醫師根本無法判斷該模型在不同樣本抽樣或極端病患上的表現穩定性。更嚴重的是，論文並未提供完整的校準曲線，意味著我們無法確知模型輸出的機率值是否能真實反映患病的絕對風險。舉例來說，當模型在畫面上給出 80% 的 NEC 發生機率時，若校準極度不良，將引發大量不必要的預防性插管或延誤緊急手術的時機。對於影像特徵的解釋性，原研究高度依賴熱像圖來標示潛在的病灶位置，卻忽略了新生兒腸道充滿交錯氣體與液體陰影的複雜性。若未輔以量化的 compounded probability（結合多種特徵算出的綜合機率） 或是具備解剖學意義的邊界切割驗證，單憑一張全圖等級的 AUC 0.89 是絕對無法說服保守的臨床醫師交出決策權的。信中強烈建議，未來的評估報告必須將模型表現與不同嚴重程度的病灶特徵進行交叉比對，明確標示其在模稜兩可案例中的真實效用。

早產次群組與 Bell 一期的 80% 偽陽性

若探究 AI 模型的臨床極限，次群組的顆粒度分析往往比整體的平均表現更能揭示潛在的危機。信件作者深入剖析了原研究在不同孕週與出生體重下可能被掩蓋的數據鴻溝。針對極低出生體重（<1500g）的早產兒，其正常生理性氣體分佈與初期病態腸管擴張的界線極其模糊。若細看原模型在這類超高風險族群的預期表現，其在 VLBW 早產兒的 偽陽性率可能大幅攀升至 45%，精確度也將因背景雜訊過高而急遽滑落。在未進行周密的多變數邏輯斯迴歸來校正餵食狀態與抗生素使用史等干擾因子的情況下，單憑深度學習空間特徵所得到的勝算比極有可能被嚴重高估。模型在 strict criteria（嚴格符合臨床與影像標準）下的準確率可能僅有 65%，遠低於 general criteria（寬鬆標註）時宣稱的 92%。針對 Bell 氏分期 I 期與 IIA 期的微妙區別，原模型的決策閾值往往呈現極不穩定的狀態。若模型在偵測疑似階段（Stage I）的偽陽性率高達 80%，將導致大量僅是單純消化不良的早產兒面臨長時間禁食與深部靜脈導管置入的風險。這正是為什麼信件作者強烈呼籲，演算法開發團隊必須直面疾病漸進惡化過程中的灰色地帶，不能僅滿足於二元分類的成功。

外部驗證衰退與急診 10 秒讀片流程考驗

這篇致編輯的信件最終回歸到醫療現場的現實考量，點出了任何放射學演算法從機房走向病房常規流程的必經之路。首要挑戰在於模型必須不打折扣地經歷嚴格的外部驗證，否則在單一醫學中心訓練出高準確率的神經網路，一旦部署到採用不同曝光參數的社區型醫院，極可能發生斷崖式的崩盤衰退。其次，系統能否無縫整合入現有的 PACS 工作流程中，並能在毫秒級別提供即時的運算疊圖結果，是提升第一線接受度的硬性先決條件。若開啟或查閱 AI 的判讀結果會增加醫師超過 10 秒 的額外點擊時間，其在分秒必爭的急診室實用性便趨近於零。對於每天面對海量片子的放射科醫師而言，這篇充滿批判性的信件提供了極佳的底層思維框架。未來評估導入針對腸胃道急症的診斷軟體時，我們應主動且強硬地要求查閱其驗證報告是否完全符合 TRIPOD+AI 的透明度規範。即使擁有先進工具，遇到臨床僅呈現輕微腹脹的極低體重早產兒平片案例時，我們仍需當好最終的決策者，靈活結合連續性的影像追蹤與高頻超音波輔助，而非盲目依賴單一時間點的判讀。只有在充分了解機器極限與資料庫先天偏差後，才能真正將這項新技術轉化為守護脆弱新生命的堅實防線。

面對早產兒極其微妙的 Bell 一期腸炎，與其輕信 AI 宣稱的超高準確率，不如立刻調出前幾小時的 X 光片親自進行動態比對。