GE HealthCare, DeepHealth Expand Mammography Collaboration
緻密乳房偵測率提升 23%：GE 與 DeepHealth 把 AI 乳攝多階段工作流推向國際市場
- 579,583 筆真實篩檢驗證：多階段 AI 工作流讓整體乳癌偵測率相對提升 21%，緻密乳房族群更達 23%
- ProFound Pro 自動病灶定位 + 密度分類、Safeguard Review 自動標記複雜案例進入 second reader，兩者組合覆蓋前線偵測與後端複查
- ProFound Pro 僅限美國、Safeguard Review 尚未 CE 認證，臺灣機構採購前須向 GE 當地代理確認可用性與基準偵測率
乳攝篩檢的漏診問題常被低估——在美國橫跨 4 州、579,583 筆篩檢的真實世界研究中，多階段 AI 工作流讓整體乳癌偵測率比純人工閱片高出 21%；聚焦緻密乳房族群，差距更擴大至 23%。2026 年 4 月，GE HealthCare 與 DeepHealth（RadNet 旗下全資子公司）宣布深化合作，準備將這套工具推向美國以外的國際市場。
從 2024 到國際化：合作擴張的三大進展
2024 年，GE HealthCare 與 DeepHealth 首度攜手，將 DeepHealth 的 AI 乳癌篩檢流程整合進 GE 的 Senographe Pristina 乳攝系統。目標是讓同一張 FFDM（full-field digital mammography，全視野數位乳攝）在拍攝後立刻進入智慧篩查管線，不需醫院另行搭建複雜的中介系統，降低導入門檻。
2026 年 4 月宣布的新一輪擴張有三個實質進展：其一，合作範圍從美國正式延伸至國際市場；其二，增加 second reader 工作流（第二讀片流程），讓高風險案例能自動進入雙重審視路徑；其三，DeepHealth 新一代旗艦套件 Breast Suite 的兩款核心模組——ProFound Pro 與 Safeguard Review——正式納入 GE 的產品發行體系，在 GE 自有乳攝系統上直接提供。時機選在乳房影像學會（SBI）年度研討會週，是向業界宣示商業布局的明確信號。
ProFound Pro 與 Safeguard Review：乳攝 AI 兩階段防護
理解這次合作的核心，需要先拆開 Breast Suite 的架構。這是一套雲端優先、模組化的應用程式集合，設計上直接對接現有乳攝工作流，無需醫院替換 PACS 或 RIS，以模組化方式滾動導入。
ProFound Pro 是前線診斷模組，整合兩個功能：第一是 Cancer Detection（癌症偵測），自動定位病灶並給出懷疑程度評分（degree of suspicion），對緻密乳房組織及多元族群均有一定效能；第二是 Automated Density Assessment（自動乳腺密度分類，可理解為「讓 AI 代替醫師主觀判斷緻密程度」），對 2D 或 3D 乳攝影像進行一致性 BI-RADS 密度分類，降低判讀者間的個人差異。
Safeguard Review 是第二層保險，設計邏輯截然不同：它不直接診斷，而是自動標記「可能受益於二次審視」的複雜案例，推入 second reader 工作流。這相當於一個自動分診系統——把高風險案例攔出來，防止因工作量大而讓重要病灶悄悄流過。此外，Timely Alerts 整合進 Pristina Via（GE 新一代乳攝系統）後，能在拍片後 5 分鐘內發出高懷疑度案例警示，讓醫師不需等到批量閱片完成才識別需要即時處理的緊急案例。
| 模組 | 核心功能 | 地區限制 |
|---|---|---|
| ProFound Pro — Cancer Detection | 自動病灶定位 + 懷疑程度評分，適用緻密乳房及多元族群 | 僅限美國 |
| ProFound Pro — Automated Density Assessment | 2D/3D 乳攝自動 BI-RADS 密度分類，降低判讀者主觀差異 | 僅限美國 |
| Safeguard Review | 自動標記複雜案例進入 second reader 工作流，降低漏診 | 尚未 CE 認證 |
| Timely Alerts（整合 Pristina Via） | 5 分鐘內警示高懷疑度案例 | 部分市場提供 |
Breast Suite 為模組化雲端套件，非所有功能均在美國以外市場提供
579,583 筆篩檢：Nature Health 研究的規模與設計
支撐這次合作的核心證據，來自 Louis LD、Wakelin EA、McCabe MP 等人發表於《Nature Health》（2025）的大型真實世界研究。研究全名強調「equitable impact」（公平性影響），代表設計之初即涵蓋多元族群樣本，而非只在單一學術醫學中心驗證。
研究規模：579,583 筆乳攝影像、4 個州、109 個篩檢站點、96 位放射科醫師。多階段 AI 工作流的運作方式是：AI 先篩出高懷疑度案例，再交由乳攝專科醫師（由各機構乳房影像科主任按臨床表現和資歷精選）進行第二輪讀片。對照組（standard of care）定義為放射科醫師在完全無 AI 輔助下的單人讀片。
需要特別注意的是，最終偵測率的提升是「AI 演算法 + 精選 second reader」這個組合的結果，並非純 AI 單獨的貢獻。新聞稿中引用的 21% 是相對提升率，基準絕對偵測率未在商業宣告層級揭露——臨床評估時，應要求廠商提供原始研究的每千人癌症偵測率（cancers per 1,000 screened），才能換算出對本機構的實際意義。
資料來源：Louis et al., Nature Health 2025（n=579,583，4 州，109 站點，96 位放射科醫師）
緻密乳房的 23%：人工最吃力、AI 最有效的交叉點
子群分析顯示，緻密乳房（dense breast）族群的偵測率相對提升達 23%，高於整體的 21%。從機制看完全符合預期：緻密乳腺組織（BI-RADS C/D 類）在傳統乳攝上產生「白遮白」效應，腫塊與纖維腺體組織密度相近，人眼難以辨別邊界，是傳統讀片遺漏率最高的場景之一。
AI 系統不依賴整體灰階對比做判斷，而是學習大量影像中的局部特徵——邊緣不規則性、毛刺徵（spiculated margins）、微鈣化群集模式——這恰好是傳統讀片最吃力的地方，也是 AI 相對優勢最為突出的情境。換句話說，AI 的偵測增益並非均勻分布，而是集中在人工最容易出錯的子群。
Automated Density Assessment 的臨床意義在此進一步延伸：系統性識別高密度乳房患者後，臨床端可主動規劃補充影像（超音波或乳房 MRI），而不是在下一輪篩檢才偶然發現漏診。這形成一個完整的風險分層迴圈：乳攝 → 密度評估 → 高密度標記 → 補充影像建議，把 AI 從「輔助閱片工具」提升為「風險分層的起點」。
部分模組僅限美國：地區限制與基準值的現實門檻
這次合作宣告中有幾個關鍵細節，臨床部署前必須釐清，不能只看標題數字就進行採購評估。
地區限制明確。 ProFound Pro 目前僅在美國提供；Safeguard Review 尚未通過 CE 認證，在歐洲及絕大多數非美國市場無法使用。臺灣市場的實際供應狀況，需向 GE HealthCare 當地代理商直接確認，不能以美國的商業宣告作為採購依據。
21% 是相對提升，基準值未公開。 相對提升率的臨床意義取決於起始基準。若機構基準偵測率已在業界高水準，21% 相對增幅換算成絕對值可能有限；若偵測率本偏低，空間則相當可觀。採購評估時應要求廠商提供基準絕對偵測率，不能只比較相對百分比。
Second reader 是精選醫師，非隨機抽取。 研究中參與二次讀片的醫師由科主任按臨床表現精選，這樣的設計通常會高估一般機構部署 AI 後的真實效益。Safeguard Review 的實際分診效益，取決於機構能否同步建立一個有品質保障的二次讀片制度——若只有 AI 分診但沒有配套的讀片資源，流程效益會大打折扣。
AI 仍需人工決策閉環。 所有模組的最終判讀仍由放射科醫師負責，AI 的角色是降低漏診機率並優化分流，不能用「有 AI 就可以縮減人力」的邏輯規劃人力配置，這是業界在導入任何 AI 輔助工具時最常出現的誤解。
緻密乳房不是人工讀片的罩門——是 AI 能多拿 23% 偵測率的主場。BI-RADS C/D 的密度分類不只是報告附注，是決定要不要啟動補充影像的第一道觸發點。