鴿子的視覺課，能否補上醫療AI看漏的一瞬間

早期癌症診斷最困難的地方，常不在於病灶完全不存在，而在於它只以極細微的影像訊號出現。當放射科醫師在大量掃描片中尋找肺結節，當AI模型被要求從雜訊、陰影與正常解剖變異中分辨異常，問題就變成：什麼樣的視覺線索會被看見，什麼又會在意識判斷前被錯過？

《印度時報》報導，美國麻薩諸塞州伍斯特聖十字學院的Gregory DiGirolamo正帶領研究，利用鴿子的視覺辨識能力，探索醫療AI可否更早捕捉癌症相關影像異常。這項工作並非把鴿子變成臨床判讀者，而是借用牠們對圖像模式的敏感度，觀察生物視覺系統如何從CT影像中學會區分異常與正常。

報導稱，研究團隊訓練6隻鴿子觀看短段肺部CT影像，判斷其中是否含有肺結節。部分鴿子在辨識出含結節影像時獲得食物獎勵，另一些則在辨識正常影像時獲得獎勵；隨著訓練推進，牠們不只學會分類，也能把經驗套用到先前未看過的掃描片。

更引人深思的是，研究者表示，鴿子在未被特別訓練的情況下，也對肺氣腫與毛玻璃樣結節等其他肺部異常展現辨識能力。毛玻璃樣結節有時與早期肺癌相關，但它與典型肺結節在影像外觀上並不相同；若報導所述屬實，這暗示某些異常可能共享較深層的視覺特徵，而這些特徵未必容易被人類用語言明確描述。

DiGirolamo過去的相關研究還指向另一個臨床難題：醫師可能已經在視覺上接觸到可疑區域，卻仍在最終判讀中把影像歸為正常。報導提到，放射科醫師觀看含可疑肺結節的CT時，眼睛有時會停留在病灶附近，瞳孔也出現變化，即使他們後來沒有把該影像判為異常。這讓研究者懷疑，大腦可能在非意識層次先察覺某些訊號，只是這些訊號未必成功進入臨床決策。

若要把這種洞見轉化為AI工具，關鍵不只是餵給模型更多影像，而是把影像、眼動、生理反應與最終診斷之間的落差納入訓練。理想情境中，AI可在醫師判讀時提示那些被視線掠過、卻未被明確標記的異常區域，協助降低漏診風險；但這樣的系統仍須用嚴格資料集、外部驗證與真實臨床流程測試，才能證明它提高的是診斷品質，而非增加警報疲勞。

目前公開資訊仍相當有限。報導未提供完整研究論文、樣本規模之外的效能數據、對照方法、誤判率或監管路徑，也沒有其他同事件可信來源可供交叉核實。因此，這項研究最適合被理解為一條有趣的研究線索：鴿子或許能幫助科學家拆解視覺辨識的盲點，但真正進入醫院的，仍必須是經過臨床驗證、責任邊界清楚的輔助工具。