Quality of Evidence and Clinical Impact in Recent Neuroradiology Research: A Systematic Assessment of American Journal of Neuroradiology (AJNR) Articles [HEALTH POLICIES/QUALITY IMPROVEMENT/EVIDENCE-BASED NEUROIMAGING]
AJNR 逾千篇文獻總體檢：高達 62% 研究僅停留在診斷準確率，AI 論文的證據等級意外碾壓新 MRI 序列。
- 2018至2022年間，AJNR 收錄的 1085 篇論文平均證據等級為 2.67，超過半數（54.5%）屬於第三級回顧性研究。
- AI 與軟體診斷研究的證據等級（EL 2.02）顯著優於開發全新造影序列的技術型論文（EL 2.72，P < 0.001）。
- 高達 62% 的研究僅具備 CE-2（診斷準確度）的臨床效能，僅 11.4% 觸及病患預後，探討成本效益者不到 1%。
放射科每天追捧的新造影序列，其學術證據等級居然比 AI 軟體驗證文還要低（2.72 vs 2.02）。如果學術界只在乎 AUC 卻不問病患最終的臨床療效，我們每天打報告時，到底該相信並導入哪些最新指引？
這正是 Mayo Clinic 與 Yale 大學神經放射團隊聯手進行這項大型系統性評估的初衷。在實證醫學（Evidence-Based Medicine）的框架下，我們不僅要看一篇論文的 p 值是否顯著，更要檢視其研究設計的穩健度與臨床適用性。本研究針對美國神經放射學會官方期刊 AJNR（American Journal of Neuroradiology）近年的海量發表進行了地毯式盤點，旨在釐清當前神經放射學研究的品質水位。對於無暇仔細審視每篇論文設計架構的臨床醫師而言，這篇研究直接為我們過濾了近年文獻的整體可信度，並點出我們在閱讀新技術文獻時必須具備的批判性思維。
比較 2018 與 2021 兩大梯次的收案與證據分級框架
從 Methods 來看，研究團隊系統性回顧了 AJNR 在 2018 至 2019 年（共 592 篇）以及 2021 至 2022 年（共 493 篇）兩個關鍵時間段內的所有原創研究，最終納入高達 1085 篇文獻。研究排除了社論、回顧性文章與純病例報告，確保分析對象皆為具備原始數據的實質研究。為了進行量化評估，團隊採用了放射學界公認的兩大標準：EL（Level of Evidence，牛津實證醫學中心定義的 1 到 5 級，數字越小代表證據越強，如 RCT 為 1 級，專家意見為 5 級）以及 CE（Clinical Efficacy，基於 Fryback-Thornbury 療效階層的 1 到 6 級，數字越大代表臨床價值越高）。
除了 EL 與 CE，作者亦將文獻依據研究屬性細分為診斷型、預後型、治療型與經濟評估型。同時，詳細記錄了各研究的設計架構（前瞻性 vs. 回顧性）、世代收案方式（連續收案 vs. 非連續收案），並追蹤了這些文章的被引用次數。透過對比 2018-19 與 2021-22 兩個梯次的數據，我們得以觀察神經放射學界在疫情前後，其學術產出品質與臨床導向的動態演變。
| 時間區間 / 評估指標 | 論文數量與佔比 | 核心特徵 |
|---|---|---|
| 收案總量 | 1085 篇 Original Articles | 排除回顧文章與純病例報告 |
| 2018-2019 梯次 | 592 篇 | 84% 屬於單純診斷型研究 |
| 2021-2022 梯次 | 493 篇 | 整體平均證據等級 (EL) 顯著進步 |
| 證據等級中位數 | 54.5% 屬於 EL-3 | 多為非連續收案的特定機構回顧性分析 |
資料來源：AJNR 1085 篇原創研究系統性回顧
Table 1 呈現高達 54.5% 的 EL-3 證據等級困境
把焦點拉到 Results 的整體數據，這 1085 篇文獻的平均 EL 為 2.67（標準差 SD 0.85）。具體而言，有超過一半（54.5%）的文章被歸類在 EL-3。在實證醫學中，EL-3 通常代表「非連續收案的回顧性世代研究」或「缺乏獨立參考標準的對照研究」。這意味著，我們在 AJNR 上讀到的大多數新發現，其實是基於特定機構內已獲取影像的病患進行回溯分析，而非嚴格控制的前瞻性試驗。
若細看 2018-19 年的 592 篇文獻，絕大多數（84%）屬於診斷型研究。在這個梯次中，單純探討診斷準確率或監測效能的研究，其證據等級明顯較強（EL 平均 2.10 ± 1.0）；相對地，試圖證明「臨床實用價值（clinical-utility）」的研究，其證據等級反而較弱（EL 平均 2.91 ± 0.7；P < 0.001）。這種現象的成因在於，設計一個單純比對 AUC 的準確率研究相對容易達到較好的統計框架，但要證明一項技術在真實臨床環境中有用，往往受限於回顧性病歷追蹤的諸多交聯變數。此外，研究也證實了學術界的賞罰機制：EL 分數越低（證據越強）的文章，其被引用頻率顯著較高（P < 0.001）。
AI 軟體驗證與新造影序列在證據等級的差距
時間推進到 2021-22 年的 493 篇文獻，整體神經放射學的平均 EL 從前一梯次的 2.75 ± 0.81，顯著進步至 2.58 ± 0.87（P < 0.001）。推動這項進步的主要動力，來自於診斷準確率研究與 AI 軟體驗證論文的大量湧現。在 2021-22 年間，診斷監測與準確率研究的 EL 達到了極佳的 1.73 ± 0.8。
這裡出現了一個極具啟發性的次群組數據：那些利用 AI 或電腦輔助軟體進行診斷的研究，其證據等級顯著優於其他類別（EL 2.02 ± 0.8）。相比之下，我們平時最感興趣的「引入全新 MRI 脈衝序列或硬體技術」的研究，證據等級僅有 2.72 ± 0.9（與 AI 相比 P < 0.001）；而「優化現有影像判讀框架」的研究，EL 則為 2.52 ± 1.0（與 AI 相比 P = 0.002）。為什麼會有這種反差？因為當前醫學期刊對 AI 演算法（如基於 nnU-Net 自動調架構的切割框架 或各種深度學習模型）的要求極高，通常需要大規模、多中心、甚至是前瞻性的連續收案驗證才能發表；反觀新穎的 MRI 序列（例如用磁振照出腫瘤酸鹼度的 CEST-MRI），往往只需 20 位健康志願者與少數病患的非連續性概念驗證（Proof of Concept）就能登上版面。
註：牛津 EL 分級數字越小代表證據等級越強 (1為最佳, 5為最差)
高達 62% 停留在 CE-2 診斷準確度的臨床瓶頸
然而，證據等級（EL）的提升，並不等於病患真正受益。這正是本篇論文最引人深思的部分。在臨床效能（CE）的評估上，1085 篇文獻的平均得分為 2.64（SD: 1.17）。Fryback-Thornbury 階層將療效分為 6 級，其中 CE-1 是純技術指標（如訊雜比 SNR），CE-2 是診斷準確度（敏感度、特異度、AUC）。令人訝異的是，高達 62%（670/1085）的研究被困在 CE-2 這個層級。
這代表超過六成的神經放射學論文，只證明了「這項技術能看出病灶」，卻無法回答「看出病灶後，臨床醫師會不會改變治療計畫？」（CE-4 治療決策），更別提「改變計畫後，病患存活率是否提高？」（CE-5 病患預後）。根據文獻統計，僅有 11.4% 的研究觸及了病患預後（Patient outcomes）；而探討對整體社會醫療資源或成本效益影響（CE-6 社會與經濟影響）的研究，甚至不到總數的 1%。更嚴峻的是，這個低臨床效能的比例，在 2018 到 2022 年間幾乎呈現停滯，並未隨著 EL 的改善而有所突破。
Fryback-Thornbury 療效階層分佈 (N=1085)，缺乏改變預後的研究
突破 11.4% 預後研究天花板的未來臨床指引
作者在 Discussion 中坦承了本研究的侷限性。首先，這僅針對 AJNR 單一期刊進行分析，雖然它是神經放射學的指標性刊物，但可能無法完全代表一般放射學期刊或綜合醫學期刊（如 NEJM, Lancet）中神經影像文章的樣貌。其次，神經放射學本身帶有強烈的技術驅動特質，許多新技術在發布初期，客觀上只能先進行 CE-2 等級的準確度驗證，強求初期研究直接評估長期存活率並不切實際。
作為一線放射科醫師，這份報告給了我們非常實用的讀片與讀書指引。當我們在晨會或醫學會上聽到某種超炫的新型 MRI 序列，宣稱其 AUC 表現完美時，我們必須在心裡扣除它的「技術蜜月期」分數，並意識到其 EL 可能僅在 3 到 4 之間；相反地，當面對那些已經通過多中心驗證的 AI 軟體時，我們可以給予其更高的證據信任度。我們在決定是否要求醫院採購新軟體或改變常規 protocol 時，不能僅滿足於 CE-2 的準確度數據，而應主動尋找那 11.4% 真正能改變臨床 management 或減少病患 morbidity 的關鍵文獻。
你下次看到一篇聲稱 AUC 高達 0.95 的全新造影技術論文時，先自問它有沒有改變病患的治療決策；如果沒有，它就只是一個停留在 CE-2 的實驗室玩具，還不到改變你打報告習慣的時候。