Between automation and alienation: rethinking AI’s role in radiologist well-being

高頻使用 AI 反而加劇職業倦怠——一項針對中國放射科醫師的研究明確指出，在龐大工作量下導入低接受度的 AI 系統，直接推升了過勞風險。截至 2025 年底，高達 80% 的 FDA 核准 AI 醫療器材集中在放射科。但自動化真的是救星嗎？這篇發表於《European Radiology》的重磅評論直指，缺乏良好治理的自動化，不僅無法減輕負擔，只會讓放射線科醫師淪為演算法的背書工具。

80% 佔有率背後的系統性過勞危機

探究當前醫療環境的技術版圖，放射線科毫無疑問是暴露於人工智慧浪潮最前線的專科。根據 2025 年末的統計數據，美國食品藥物管理局核准的 AI 賦能醫療設備中，有大約 80% 是專為放射影像應用所設計。儘管這些工具以驚人的速度被各級醫院採用，關於 AI 究竟如何影響放射科醫師身心健康的實證研究，卻依然呈現碎片化。多數文獻僅關注診斷準確率的提升，鮮少有研究系統性地評估技術對淨工作量、專業自主權、職業意義感以及道德損傷等面向的真實衝擊。

觀察近期一篇針對中國放射科醫師的橫斷面研究，數據呈現出令人警惕的現象：頻繁使用 AI 工具與職業倦怠（burnout）之間存在顯著的正相關。這種現象在「工作負荷極高」且「對 AI 系統接受度低」的臨床場景中尤為明顯。作者強調，職業倦怠是專業健康狀況惡化的一項核心不良指標。這個現象推進了本篇評論的核心論述——人工智慧在面對醫師過勞議題時，既非天生的保護傘，也非絕對的破壞者。

將視角拉高到系統層次，AI 產生的效應完全取決於其實作設計、治理模式以及整體的社會技術環境。這與既有的職業倦怠文獻觀點高度一致：醫師過勞主要是一個系統性的結構問題，而不是個人抗壓性或心理韌性的失敗。因此，緩解倦怠的策略必須在多個層面上運作，從減少不必要的行政文書記錄等組織文化改革，一路延伸到更深層的體制重塑。

若要準確評估科技對醫師福祉的影響，必須透過已確立的系統級決定因素來檢視，包含工作量、控制權、工作與生活的融合度、社會支持、組織文化以及資源效率。我們不能單純假設自動化本身就能帶來保護作用，因為如果設計不當，AI 只是現有臨床壓力的放大器。

監督模式陷阱與 100% 產能的認知負荷

深入剖析自動化帶來的作業模式轉變，AI 確實具備緩解過勞的潛力，但前提是它必須真正降低「淨工作量」與「淨認知負擔」。文獻指出，如果系統導入只是把醫師的工作轉換為 supervision mode（從主動找病灶變被動審查 AI 標記），那麼廠商承諾的節省時間，最終只會轉化為額外的警戒要求、中斷成本以及心智負荷。想像一下，當你必須不斷驗證演算法生成的初步報告，或者緊盯著螢幕防範系統漏看微小病灶時，大腦的消耗並未減少。

從認知科學的角度來看，有效緩解倦怠的關鍵，在於實質減輕負擔，而不是把原本的工作完全置換為持續不斷的驗證程序。更致命的是，許多高敏感度的 AI 會消除掉 restorative low-load intervals（看無異常片時大腦短暫休息的空檔）。在過去，連續判讀幾張完全正常的胸部 X 光片，能讓醫師的高壓神經獲得短暫喘息；但在全面自動化的環境下，每一張片子都可能佈滿系統圈出的潛在疑點，迫使大腦隨時處於緊繃狀態。

倘若 AI 將日常作業壓縮成毫無間斷的高負荷判讀，再加上持續不斷的監督壓力，科部管理層就必須透過刻意的配速措施來給予補償。這些措施包含設立受保護的休息時間、設定每日閱片量上限，或是重新分配非診斷性的行政任務。如果不主動介入調整工作節奏，單憑演算法的效能提升，只會加速高階智力勞動者的枯竭。

Table 1 整理 AI 放大壓力的三個核心維度

把焦點轉向技術帶來的反噬效應，我們必須正視 AI 可能加劇系統性壓力的風險。最常見的陷阱在於，技術帶來的效率提升，往往被醫院管理層重新挪用為更高的生產力目標。當單張影像的判讀時間縮短，醫師面臨的不是提早下班，而是更高的相對權值（RVU）要求與每日閱片配額，這導致了時間壓力的直線上升，完全抵銷了技術原先宣稱的減負初衷。

除了無止盡的產能追逐，其他風險還包含認知超載（例如過多且無法關閉的假陽性警示）、文書作業的冗餘（必須在報告中額外解釋為何不同意 AI 的判斷），以及角色定位的模糊。隨著越來越多證據浮現，資源匱乏的醫療機構在部署新系統時，往往缺乏完善配套，導致這項工具在無意中大幅增加了基層醫師的工作量。

更深層次的危機在於，AI 正在微妙地重塑放射科醫師的專業自主權。當臨床表現越來越依賴可量化的輸出指標（例如報告產出率、錯誤率或與演算法預測的一致性），放射線學的專業知識就有可能被重新定義為對數據指標的順從，而非基於病患全貌的臨床脈絡判斷。醫師在保有最終法律責任的同時，卻對工作流的節奏、評估標準或系統實作設計幾乎沒有影響力。

法律與責任歸屬的模糊地帶，進一步將這種焦慮推向高峰。當演算法生成的結果影響了臨床決策，卻對診斷錯誤的責任歸屬定義不清時，醫師為了自保，很容易發展出防衛性的行醫模式。即便我們對演算法的設計與驗證過程缺乏控制權，當系統發生失誤時，吸收所有認知與法律殘餘責任的，依舊是坐在螢幕前簽核報告的放射科醫師。

乳房攝影 AI 的實務：配速機制與真實減負

若細看特定次專科的實際應用案例，乳房攝影（mammography）領域提供了相當具體的對照組。文獻 [6] 的研究報告指出，在乳房攝影中導入 AI 輔助工作流程，確實可以在不犧牲診斷表現的前提下減少整體工作量。由於乳房篩檢具有極高比例的正常案例，演算法在此發揮了極佳的過濾作用。

然而，這些實質的效益並非憑空發生。能否真正達成減負，高度取決於工作流的節點配置，以及醫師所承受的 adjudication burden（判定 AI 偽陽性所消耗的決策精力）。如果系統被設定為在每一個微小鈣化點都發出強烈警示，醫師花在否決這些標記的時間，將遠遠超過自己從頭看片的時間。

更重要的是制度面的設計。乳房攝影的成功經驗顯示，唯有當節省下來的時間轉化為真實的休息與喘息空間，而不是立刻被醫院轉換為更高的每日檢查排程量時，技術才算真正發揮了保護作用。如果縮短了看片時間，卻立刻塞入更多的篩檢民眾，那麼即使是表現最優異的深度學習模型，也只不過是推升工廠式醫療產線速度的催化劑。

爭奪決策權：避免淪為 AI 產出的 0 掌控力背書者

面對這股擋不住的浪潮，我們必須警惕 AI-washing（醫院為行銷噱頭盲目買未成熟系統） 與意識形態超載的問題。科技公司經常將 AI 包裝成解決人力短缺的完美中立方案，但當這些未經嚴謹臨床驗證的承諾無法兌現時，往往會引發強烈的反彈。這種科技樂觀主義論述與臨床殘酷現實之間的巨大鴻溝，會對第一線醫師造成 moral injury（深知系統難用卻被迫配合的內心創傷）。

在競爭激烈的醫療市場中，機構導入新系統的動機，往往是出於聲譽或戰略誘因，而非實質的臨床效益。為了向病患、投資人或政策制定者展現「創新」形象，醫院可能會在缺乏實證整合策略的情況下，進行象徵性的技術採購。這種急就章的作法，隨之而來的就是無止盡的導入疲乏與醫病信任的侵蝕。

從更宏觀的歐洲醫療體系來看，影像檢查的需求持續爆炸性成長，但許多國家正面臨受過專業訓練的放射科醫師長期短缺。在這樣緊繃的環境下，引入複雜且往往缺乏充分監管的自動化工具，更有可能加劇營運與認知的雙重負擔。如果缺乏防護性的治理框架，自動化極易淪為 value extraction（資方利用效率提升來擴張醫師閱片量） 與勞動強化的剝削機制。

為了對抗這種趨勢，放射科醫師絕對不能只做被動的使用者。我們必須主動介入系統的採購決策、工作流程設計以及後續的實施監督。如果機構打算將 AI 衍生的數據指標納入績效評估，臨床醫師必須擁有否決權。治理結構應當確保透明的責任歸屬、利益的公平分配，並設立明確防線以防止 deskilling（長期依賴演算法導致自身判片能力退化）。唯有將專業價值與系統性改革置於核心，AI 才不至於成為壓垮臨床工作者的最後一根稻草。

當醫院高層宣稱引進最新演算法能幫你減輕負擔時，請先檢視這套系統是否附帶了每日閱片量的相對應調降；如果沒有，它就只是一套以科技為名的產能榨取工具。