Comments on "Artificial Intelligence-Driven Drafting of Chest X-Ray Reports: 2025 Position Statement From the Korean Society of Thoracic Radiology Based on an Expert Survey".
韓國學會證實 AI 報告僅在健檢場景達 86% 準確率，強烈警告純文字生成的自動化偏見風險。
- AI 在健康檢查的 86% 準確率可能被極高的正常片盛行率所誇大，無法外推至急診。
- 專家調查中有高達 33/41 個項目保持中立，突顯對減少工作量與提升準確率的深刻疑慮。
- 純文字生成系統缺乏視覺解釋，易導致疲勞醫師陷入自動化偏見，必須搭配熱圖與編輯日誌。
41 項關於 AI 生成胸部 X 光報告的專家共識中，高達 33 項的投票結果竟是中立。韓國胸腔放射醫學會針對生成式 AI 輔助起草報告發布了最新立場聲明，探討 AI 導入臨床的真實效益與潛在風險。這份聲明為放射科醫師的日常實務劃出了明確的安全界線，特別點出現階段語言模型的極限與統計盲區。
商用 KARA-CXR 面臨 6 大臨床場景的壓力測試
這份發表在《Korean J Radiol》的評論文章，深刻探討了由韓國胸腔放射醫學會 (KSTR) 專家群所主導的 Delphi survey (透過多輪匿名問卷收斂專家共識的研究方法) 結果。研究團隊招募了 20 位資深胸腔次專科放射醫師，針對 60 份由商用 AI 工具 KARA-CXR 所生成的胸部 X 光報告，進行嚴格的品質與適應性評估。為了確保測試貼近真實醫療運作，這些樣本橫跨了 6 個截然不同的臨床場景，包含：健康檢查、呼吸科門診、加護病房 (ICU)、一般住院、非呼吸科門診，以及急診部門。
我們都知道，一張胸部 X 光片的判讀難度，往往高度取決於開單來源。健康檢查通常是標準的站立後前位，病患配合度高，且絕大多數為正常影像；反觀加護病房或急診，經常充斥著仰臥前後位、便攜式 X 光機帶來的低對比度，以及密密麻麻的各種維生管線與複雜的急慢病灶疊加。這 20 位專家透過檢視這 60 份生成式報告在不同場景的表現，試圖找出 AI 能夠真正發揮價值，且不對病人安全造成威脅的領域。他們不僅關注語句的流暢度，更緊盯模型是否會憑空捏造病灶，或是漏看關鍵的微小氣胸與創傷後的細微骨折。
| 研究參數 | 具體細節 |
|---|---|
| 專家小組 | 20 位資深胸腔放射科醫師 |
| 評估樣本數 | 60 份 AI 生成胸部 X 光報告 |
| 涵蓋場景數量 | 6 個截然不同的臨床環境 |
| 場景分佈 | 健檢、急診、加護病房、住院、呼吸門診、非呼吸門診 |
韓國胸腔放射醫學會 2025 年 Delphi 調查概況
高達 86% 準確率背後的健檢盛行率陷阱
從實際的效能數據來看，這套商用 AI 在「健康檢查」的單一場景中展現了最穩定的表現，專家小組確認其整體準確率高達 86%，同時也證實了該環境下的模型幻覺與解釋錯誤率極低。基於這項客觀數據，韓國胸腔放射醫學會做出了非常明確且保守的立場宣示：目前僅支持在「健康檢查」的場景下使用 AI 來輔助起草報告，並且附帶一個極為嚴格的條件，也就是「必須經過放射科醫師強制確認」。同時，學會強烈反對在其他一般醫療實務中讓 AI 獨立運作。
然而，本文作者尖銳地指出，這個高達 86% 的優異表現，背後可能隱藏著統計上的錯覺。在健康檢查的環境中，正常 X 光片的盛行率本來就極高；當 AI 面對滿滿的正常影像時，只要預設輸出無異常的文字樣板，自然就能輕鬆獲得極高的準確率，這種現象在統計上會人為地誇大我們對 AI 效能的認知。相對地，我們更迫切需要知道的是，當這套模型面對急診和重症病房那些充滿複雜異常、甚至是生死交關的案例時，它對於微小病灶的敏感度與特異度究竟能維持在什麼水準。在缺乏這些複雜案例的充分驗證前，貿然將單一場景的高準確率推廣到全院使用是極度危險的。
共識項目中高達 33 項中立的實務不確定性
細究本次調查的核心項目，我們會看見一個耐人尋味的現象：在總共 41 個徵詢專家意見的共識項目中，高達 33 項最終都落在中立的位置。這個壓倒性的中立比例，精準反映了第一線胸腔放射科醫師對於這項新技術的深刻疑慮。專家們對於導入 AI 究竟能否「實質減少工作量」以及「提升判讀準確率」，至今仍不敢給予背書，這強烈暗示了學界對廠商宣傳的效益抱持高度保留。
這種遲疑並非毫無來由。作者在文中直接點出現有證據的重大缺陷，包括測試案例數量僅有 60 例顯得過於單薄、隨機抽樣時缺乏標準化的測試集，以及專家小組評判的高度主觀性質。在實際看片時，如果 AI 生成的草稿充滿了似是而非的敘述，醫師為了尋找並修正這些錯誤，所耗費的心智力氣與反覆修改的時間，往往遠大於直接用口述或樣板從頭打一份報告。醫師必須在影像和文字間來回比對數次才能確認模型是否在胡說八道，這反而大幅拖慢了閱片節奏。這也是為什麼在關於提升效率的投票上，專家們紛紛投下中立票，顯示目前 generative AI (能根據指令自動產生連貫文字的運算模型) 的技術尚未達到讓資深同行完全放心的穩定狀態。
對於減少工作量與提升準確率抱持強烈不確定性
缺乏視覺解釋與盲目依賴的自動化偏見
把焦點拉到第一線醫師的心理戰，這篇評論文章特別警告了一個經常被產業界忽略的危險機制，那就是自動化偏見 (automation bias，人類大腦傾向盲目相信機器的輸出而放棄獨立思考)。目前的生成式報告系統大多是純文字的輸出，缺乏視覺解釋 (visual explanations，在影像上直接標示模型判斷依據的圖像化設計)。當一份文法通順、醫學術語用得極為標準的草稿出現在螢幕上，卻沒有告訴你它是根據影像上的哪一塊異常陰影得出這個結論時，這對醫師的獨立判斷會產生巨大的干擾。
特別是對於經驗較淺的住院醫師，在面對大量急診待閱片單、身心俱疲的深夜值班時，特別容易成為自動化偏見的受害者，進而過度依賴這些雖然流暢卻可能完全不準確的敘述。如果 AI 把一個實際存在的早期肺炎給漏掉了，但報告上自信地寫著雙側肺野清晰，疲勞的醫師極可能順勢放行，造成無可挽回的疏失。為了解決這個致命傷，未來的系統介面設計不能只有文字產生器，必須將報告與病灶偵測熱圖進行連動整合。此外，系統端必須強制納入放射科醫師的編輯日誌，確實追蹤醫師到底刪改了哪些生成的字句，這不僅能作為持續訓練模型的反饋標籤，更是保護醫療體系不被錯誤演算法帶偏的防禦機制。
隨機試驗與真實世界導入的最佳工作流
回歸到我們日常看片的實際層面，我們該如何看待這類輔助起草報告的工具？作者認為，韓國學會在這個初期引進階段，選擇僅限健檢且強制人工確認的保守立場，完美平衡了擁抱創新與維持病人安全的天平。然而，要讓這類模型真正成為胸腔影像判讀的可靠夥伴，我們不能僅停留在少數專家的主觀共識，我們需要更堅實的科學實證來指導未來的政策制定。
未來的研究藍圖必須走向前瞻性的隨機對照試驗 (RCT)。具體來說，我們需要將負責閱片的放射科醫師隨機分為兩組：一組有 AI 草稿輔助，另一組則維持傳統的讀片方式。藉由直接比較這兩組的實際報告產出總時間、診斷錯誤率，甚至是最終的臨床預後，我們才能得到客觀的效益評估。同時，未來的評估也必須納入使用者層面的量化指標，像是精確測量醫師看片時的認知負荷、對系統的感知信任度以及整體滿意度。唯有透過標準化的多中心驗證與嚴謹的介面設計優化，我們才能在不增加醫師心智負擔的前提下，順利將這些智能工具無縫嵌入繁忙的日常工作流中。
你下次看到流暢無比卻沒有熱圖佐證的 AI 草稿時，還會因為忙碌就不加思索地按下簽發鍵嗎？