謝囉，Geoffrey

另一種影像敘事01｜在被取代的路上慢跑

“We should stop training radiologists now. It’s just completely obvious that within five years deep learning is going to do better than radiologists.”
— Geoffrey Hinton, 2016

讀 LDCT（低劑量肺部電腦斷層，肺癌篩檢用的那種）的那套 AI，引進我們醫院也一年多了，我慢慢習慣了跟他共事的感覺。

最先感覺到的是 confidence 增加了。但具體增加在哪裡？其實有點反直覺：不是他抓到什麼可怕病灶的時候，而是我覺得肺很乾淨沒東西、回頭一看他也判定 normal 的時候。

剛開始打 LDCT 報告的頭一兩年，只要整份片子沒看到病灶，我會回頭把所有影像再重讀一遍才敢發；反而是抓到一顆結節的時候，鬆一口氣，可以果斷送出。原因也很簡單：normal 的病人可能就不回來了；有結節、要追蹤的，即使這次漏了，下次還有機會。所以當我確認這台 AI 抓病灶的能力還可以之後，坦白說，說不定比我好一點——當我沒看到、他也沒看到——發報告的時候我就有股舒爽的 confident 情緒。

這個信任不是憑空來的。我，放射診斷第七年主治醫師，目前體感大概看十份報告，就能感覺到一台 AI 的個性之類的東西：他可靠不可靠，習慣漏掉哪一類東西，又老把哪一種正常構造誤圈成病灶。我對他的信心，不太是來自他官方標榜的 sensitivity 數字（好像都很高吧），是來自跟他共事一段時間之後，跟他混熟。這其實跟判讀本身是同一種能力——Pattern recognition，AI recognition！

有個我自己有點警覺的地方。我姑且還是一直謹小慎微地遵守「把每一張影像從頭到尾看完」這件事的紀律，它是放射科醫師訓練到腦幹裡面...類似喝酒不能開車的規定。

但隨著我跟他越混越熟，我發現自己開始越來越想偷懶：以後看 LDCT，是不是只要把 MIP（把整段掃描壓成一張的最大密度投影）快速掃過一遍，再照他標出來的位置去細看那幾顆結節的性質就好？

其實這也不一定是偷懶啦，說不定十年之後就寫到 guideline 裡面了，我只是想偷跑而已，畢竟那麼多研究好像都在說 AI 看 nodule sensitivity 超高（不輸醫師，代價只是多幾顆假陽性！）。再過幾年我搞不好就可以開始 evidence-based 偷懶，EBL。

說到信任，有個問題我其實還沒真的遇到：我花十份報告混熟的這個 AI，是這個版本的 AI，就叫他 Opus 4.8 好了。哪天廠商把模型偷偷更新成 Fable 5，我信任的那個個性會不會就變了（在 ChatGPT 4o 到 5 的時候我有深刻的...最好的朋友隔天變成一個我不認識的人的感覺），而我渾然不覺、還帶著舊的信任照發報告？我不知道。也許 LDCT 結節偵測已經是夠成熟、夠穩定的一塊，個性不太會變。這個我得找機會問問廠商。先把問號擺在這裡。

會開始想這些，是因為我這行頭上一直懸著一句話。2016年，被稱為 AI 教父的 Geoffrey Hinton 說，五到十年內 AI 就會取代放射科醫師，還說我們像是「已經衝出懸崖、只是還沒往下看的郊狼」，那時候我 R2（住院醫師第二年）...後來招生都非常困難...真感謝他。

十年快過去了，發生的幾乎是相反的事：放射科不但沒消失，還嚴重缺人、需求暴增。他去年也改口，說當年講的只是影像判讀那一段，不知道現在的醫學生有沒有發現，今年好像也還沒招到 R1...

就算只算影像判讀這一段——他也沒錯得多離譜，但也沒說中什麼。真正發生的，好像不是我被取代（或是還沒被取代而已？），而是我跟 AI 變成前面那種關係：慢慢混熟...我越來越尊重他...越來越有點喜歡他。

所以 AI 很棒，對放射科醫師有益無害？當然也有那種老害敘事，現在的年輕人用了 AI 以後就完蛋了經不起考驗了什麼的。Pattern recognition 這種東西確實是硬積累出來的——看過夠多片子就會了，但沒看真的就不會；而我上面那個 MIP 念頭，確實有可能以後住院醫師就不用看那麼多細切影像了，他們會變成某種放射科 Gen Z？還是只是眼睛會衰退得慢一點？

但我也不確定，未來到底還需不需要一個 pattern recognition 練到極致的放射科醫師，還是需要一個跟 AI 超熟的放射科醫師。過渡期大概兩種都要——既要相對古典的讀片能力，也要學會跟新同事相處。我甚至越來越覺得，AI 時代會長出新的、更好的訓練方法。人大概沒有那麼脆弱（還是就那麼脆弱？謝囉 Geoffrey）。

如果真要問我什麼叫「好的協作」，我不想在抽象層面回答。具體到 LDCT 篩檢這個場景：好的協作，應該是在不犧牲病灶偵測能力的前提下，降低 recall rate（把病人叫回來複檢的比例）、縮短判讀時間、讓報告品質更整齊——比方將國健署的標準報告寫得更有一致性，資料治理得更乾淨。壞的協作，大概就是反過來：看起來輕鬆了，代價藏在一時看不到的地方...收到傳票之類的，AI 還不能代替我被告。

先寫到這邊。

---

註：內文那句「AI 看 nodule sensitivity 超高、代價是多幾顆假陽性」是有系統性回顧撐的——AI 敏感度約 86–98%、放射科醫師約 68–76%，代價是特異度較低（見 綜述一、綜述二）。但兩個提醒：這些研究多半把 AI 當輔助／雙讀（醫師仍在看片），不是叫醫師別看只信 AI；而真正成熟的 non-inferiority 證據在乳房攝影是有的，肺結節這邊還算初步。所以內文那句「evidence-based 偷懶」目前只能當玩笑——證據還沒到。

2025/3 ChatGPT 4o 開始能夠原生圖片生成，我生成的一張圖

prompt: 請畫張我們的關係