Comment on "Convolutional neural network application for automated lung cancer detection on chest CT using google AI studio".

將胸腔 CT 壓縮成常規影像格式輸入開源 AI 模型，雖能讓運算時間減半，但肺結節特徵流失卻會使假陰性率飆升至 22%。本評論剖析了運用 Google AI Studio 建構卷積網路時，技術參數對效能的決定性影響。

針對無程式碼 AI 平台處理胸腔 CT 的盲區

評論作者開篇即針對原研究使用 Google AI Studio 訓練 CNN（擅長影像辨識的 AI 模型）的方法提出深入探討。原研究的主要目標是透過這類無程式碼或低程式碼的平台，來自動化偵測肺部病灶，藉此降低演算法開發的門檻並加速臨床部署的時程。然而，放射學影像的本質結構與一般消費級相機拍攝的照片有著巨大的物理差異。醫療影像的品質高度依賴掃描時設定的硬體參數，單純將這類雲端 AI 平台視為一個黑盒子並直接套用預設架構，很容易忽略底層射束數據的物理意義與限制。若未針對影像來源的技術規格進行嚴格篩選與對齊，即使最終在平台上跑出的準確率數字再高，也極可能只是模型對特定單一數據集的過度擬合。更深入來看，當 AI 模型直接吞噬未經過濾的原始影像庫時，它無法分辨哪些是真實的解剖結構變化，哪些只是因為受檢者擺位偏移或呼吸閉氣不完全所造成的假性模糊。因此，本篇評論強烈建議，在引入此類便利且高度封裝的 AI 開發工具之前，必須重新檢視輸入影像在技術層面的一致性，這也是避免陷入演算法偏差的第一道防線。

Table 1 呈現的 DICOM 轉換與窗寬窗位設定

把目光轉向輸入數據的預處理階段，這是決定深度學習模型能否正確判讀病灶的關鍵基石。常規的胸腔 CT 影像原始儲存為 16-bit 的 DICOM 格式，這種格式能夠精確涵蓋從 -1000 HU（空氣）到 +1000 HU 甚至更高的寬廣動態範圍。若原研究在將資料匯入 Google AI Studio 時，僅採用簡單的線性轉換，將具備深厚物理資訊的 DICOM 降階壓縮為 8-bit 的 JPEG 或 PNG 格式，將會無可避免地抹煞掉病灶邊緣的細微密度差異。根據評論文章中引用的 Table 1 數據對比可以發現，未經最佳化 Window Level/Width（調整影像對比的參數）處理的模型，其針對早期微小結節的敏感度大幅下降了 14.5%。標準的肺部窗設定（例如 WW: 1500，WL: -600）能夠最大化地凸顯肺實質與毛玻璃結節的邊界對比，而縱膈腔窗（例如 WW: 350，WL: 40）則用於評估淋巴結。這些都是任何通用型 AI 訓練平台在預設狀態下無法自動代勞的放射技術環節，必須由專業人員在預處理階段介入。

切面厚度與矩陣大小對空間解析度的影響

剖析訓練資料集的異質性時，掃描參數的設定差異是另一個絕對不容忽視的變數。原研究的訓練集若混合了各種不同的 slice thickness（切片厚度），將對 CNN 的空間特徵萃取機制造成嚴重的干擾與混淆。舉例而言，厚度 5.0 mm 的常規厚切重組影像與 1.0 mm 或 1.25 mm 的高解析度重組影像（HRCT）在體積均化效應（Partial volume averaging effect）上的表現有著天壤之別。當模型嘗試學習辨識一顆直徑僅有 6 mm 的微小早期肺結節時，在 5.0 mm 的切面上該病灶可能僅佔據模糊的像素點，導致假陰性率飆升至 22.0%；而在 1.0 mm 的薄切面上卻能呈現出完整的 3D 幾何形態，假陰性率可降至 3.2%。此外，標準的 512 x 512 矩陣大小（matrix）若在匯入 AI 平台時，為了配合運算資源被強制縮放為 224 x 224 或 256 x 256，微小病灶的空間解析度（Spatial resolution）將會進一步遭到不可逆的壓縮。進一步探討，FOV（掃描視野）的設定同樣會影響最終的像素尺寸（Pixel size）。若兩張影像的矩陣同樣設定為 512 x 512，但一張的 FOV 為 350 mm，另一張為 400 mm，兩者的實際像素解析度便不相等。當神經網路在計算像素間的距離與面積時，未經標準化的實體尺寸差異將導致體積評估產生嚴重誤判。評論明確指出，未嚴格控制這些基礎擷取參數，是導致模型在臨床實戰中完全失效的主要原因之一。

自動曝光控制與低劑量掃描對 AI 的衝擊

除了空間解析度的考量，劑量控制技術對影像雜訊的影響同樣會牽動 AI 的判讀效能。在符合 ALARA（劑量合理抑低原則）的臨床實務下，低劑量胸腔 CT（LDCT）廣泛使用 AEC（自動曝光控制）來優化輻射劑量。然而，當管電流從常規的 150 mAs 降至 30 mAs 或更低時，影像中的光子雜訊（Quantum mottle）必然會顯著增加。對於人類肉眼而言，大腦具備一定的視覺補償能力來過濾這些雜訊，但對於依賴像素梯度變化的卷積神經網路來說，這些高頻雜訊極容易被誤認為是肺部微小結節的特徵。若訓練資料集中未充分涵蓋不同 kVp（例如 100 kVp 與 120 kVp）與管電流設定下的影像，模型將無法學習到如何區分真實的病灶訊號與隨機分佈的雜訊斑點。這也意味著，在推廣使用無程式碼工具時，必須評估模型對影像訊噪比的容忍極限。

Figure 2 的假影干擾與不同 CT 機種的變異

觀察 Figure 2 中展示的模型誤判案例分佈，可以清楚發現掃描設備的硬體差異與重組演算法的特性，同樣會嚴重影響自動偵測的穩定性。不同廠牌的 CT 掃描儀（如 GE、Siemens、Canon 等）在其硬體偵測器的幾何設計、DQE（偵測量子效率，影像訊噪比指標）以及射束硬化假影（Beam hardening artifact）的表現上皆有其獨特特徵。特別是當受檢者體內存在金屬植入物，或是因為雙臂未能完全舉高而產生嚴重的射束假影時，這些非病理性的高密度放射狀條紋極容易被 CNN 誤判為是肺癌組織的延伸。評論作者進一步強調，原研究若未將採用 FBP（傳統濾波反投影重建技術）與各式 IR（用於降噪的新型反覆式重組）的影像進行分層評估，模型很可能只是學習到了特定演算法產生的雜訊紋理（Noise texture），而非真正的疾病特徵。這種因重組核心（Reconstruction kernel）不同而產生的系統性偏差，在未經外部獨立機房的資料集驗證前，往往會被華麗的整體準確率數字所掩蓋。

評論總結的臨床限制與未來驗證建議

針對上述種種技術盲點，評論作者在最後的段落中提出了明確的模型適用邊界與未來改進方向。首先，不可否認 Google AI Studio 作為一種快速原型開發工具，確實為醫療影像的探索性研究提供了極大的便利，但其高度封閉的黑盒子特性，實質上限制了研究者對卷積層特徵提取過程進行細部微調的可能性。其次，若要將這類開源 AI 模型真正推進到嚴謹的放射診斷流程中，必須建立起一套與之匹配的嚴格 QC（影像品質控制）規範。作者強烈建議，未來的相關研究在發表 AI 效能報告時，應強制列出完整的 CT 掃描參數清單，這不僅僅是為了學術嚴謹，更是為了臨床重現性。這些必須揭露的參數應包括 kVp、mAs、螺距（Pitch）、精確的 FOV 大小以及使用的重組核心。唯有在統一且透明的技術基準線前提下，AI 模型才能擺脫對特定單一來源數據庫的依賴，真正達到泛化的嚴苛要求，確保在各種不同環境下皆能提供穩定的偵測品質。

使用無程式碼平台開發 CT 影像 AI 時，若未嚴格控制切面厚度、窗寬窗位及重組演算法等底層技術參數，極易導致模型失真與泛化失敗。