Artificial intelligence: Moving fast, understanding slowly. Are we leading or just reacting?

AI 工具的全球核准件數在短短五年內擴增逾十倍，但有系統接受過 AI 工作原理教育的放射師仍屬少數——Currie 在《Radiography》期刊這篇社論，用一個直指業界核心的問句做出診斷：AI 移動得快，我們理解得慢，在這場轉型中，放射師究竟是在引領（leading），還是只在反應（reacting）？

AI 佈署速度超過理解深度的放射醫學困境

過去十年，AI 在醫療影像領域的佈署速度令人目眩。從電腦輔助偵測（CAD，computer-aided detection，電腦自動標示可疑病灶的工具）到深度學習影像重建（DLR，deep learning reconstruction），從自動腫瘤輪廓分割到放射報告草稿自動生成，一波又一波的 AI 應用以前所未有的速度從研究室進入臨床工作流程。FDA 及歐盟 MDR（Medical Device Regulation）等主要監管機構已陸續核准數百件 AI 輔助醫療影像器材，主要廠商也不斷以新版本更新既有系統，放射師每天開機面對的工作介面，可能已和數月前大不相同。

深度學習重建已被多家 CT 廠商廣泛實裝，卻有研究顯示不少放射師無法清楚解釋 DLR 與傳統 FBP（filtered back projection，濾波反投影）的影像質感差異——使用工具和理解工具，是兩條不同的學習路徑。Currie 這篇發表於 Society of Radiographers（SoR，英國放射師學會）旗艦期刊的社論，正以此為出發點：技術佈署的速度，已超過專業理解的速度，這是整篇文章的核心診斷。

「理解得慢」的結構性根源：課程與 CPD 的落後

Currie 標題中「understanding slowly（理解得慢）」並非對放射師個人能力的批評，而是指向一個結構性現象：許多國家的放射技術課程，對 AI 系統原理的系統性教育還相當有限。一名新進放射師可能在學校僅接受過極為有限的 AI 教育，卻在第一天上班就必須使用 AI 輔助影像重建、AI 輔助劑量優化（如 AI-based AEC，自動曝光控制）或 AI 輔助擺位偵測等系統。

更深層的風險是「表層化理解」：放射師學會了操作流程，卻未必理解演算法偏見（algorithmic bias，演算法因訓練資料偏差導致系統性錯誤的現象）的可能性、訓練資料的族群代表性問題，或系統在特定臨床條件下失效的邊界。這種「會按按鈕但不知引擎在算什麼」的狀態，讓放射師難以在 AI 系統輸出異常時有效識別，也難以在跨科室討論中發出具說服力的專業聲音。持續進修框架（CPD，continuing professional development，放射師在職進修制度）在許多地區已相當成熟，但如何將 AI 素養系統性整合進 CPD 課程，仍是待解的制度問題。

引領者 vs. 反應者：兩種截然不同的專業站位

社論問句「Are we leading or just reacting?」提出了兩種截然不同的專業站位。「反應者」的模式是：等 AI 工具由廠商或醫院 IT 部門導入後，放射師依指示學習操作，調整工作流程，然後繼續日常業務。這是目前許多機構的現實，不是個別放射師的過錯，但確實讓專業在機構 AI 決策中趨於邊緣化。

「引領者」的模式截然不同：放射師主動參與 AI 工具的採購評估，理解演算法如何影響影像品質（SNR，signal-to-noise ratio，訊噪比）和輻射劑量（CTDIvol，CT 容積劑量指標），能識別 AI 輸出的誤差與可信度界限，並在機構層面倡議合理的 AI 治理框架（包含 AI 使用稽核與定期效能驗證）。更進一步，放射師可以參與 AI 工具的訓練資料建構與標注——高品質的放射影像標注資料，本來就是放射師專業知識的直接具現。Currie 的問句，是在邀請每位讀者自我評估：在這個光譜的哪一端，是你目前的位置？SoR 等專業學會已開始把「AI 代言能力」列入放射師職業核心能力範疇，正是對這個方向的制度性回應。

社論作為論述型文章：解讀強項與認知邊界

需要留意的是，這篇文章是社論（editorial）而非實驗性研究，沒有對照組、樣本數、統計分析，也不包含任何 Table 或 Figure 量化數據。社論的強項在於論述框架的提出與議題的聚焦，讀者應以「專業論述」而非「臨床研究」的框架閱讀。Currie 是澳洲放射技術界的資深學者，長期研究 AI 在放射醫學中的教育與專業發展，這篇文章代表他對整個專業現況的診斷與呼籲。

這種「無量化數字的論述」本身也傳遞了一個訊號：放射師需要在「可量化的技術效果」（AI 是否讓劑量下降或影像品質提升？）與「無法直接量化的專業定位問題」（AI 如何影響職業身份與機構地位？）之間，培養兩種互補的閱讀能力。若需要具體 AI 工具的技術評估或臨床效能數據，則需查閱實驗性研究文獻作為補充。

從個人到機構：放射師 AI 素養的建構路徑

Currie 社論的隱含呼籲是：放射師不能被動等待訓練機會，而是需要主動建立 AI 素養（AI literacy，對 AI 工具具批判性理解的能力）。AI 素養涵蓋多個層次：技術層（AI 演算法基本原理與限制）、評估層（如何判斷 AI 輸出的可靠性與邊界條件）、治理層（機構 AI 採購、監管與稽核流程）以及倫理層（訓練資料的公平性與族群代表性問題）。

SoR 作為此篇社論的出版學會，近年已陸續發布 AI 相關職業立場文件與指引，反映學會層級對放射師 AI 角色定位的持續關注。這篇社論提供的思考框架，可供機構評估自身的 AI 準備程度。從實務出發，一個可即時啟動的行動是：主動了解目前使用的 AI 工具以哪些資料訓練、在什麼條件下可能表現不佳，並在科室層級推動 AI 效能定期驗證的制度，而非僅依賴廠商說明。

每天操作 AI 工具不等於理解 AI——從反應者轉變為引領者的第一步，是問對問題：這個演算法的邊界在哪裡？