讓乳房超音波影像連起來看：AI輔助提升初階醫師判讀準確率

乳房超音波上，良性腫塊與惡性病變有時呈現相似的輪廓與回聲，讓判讀成為經驗的考驗。10月10日刊於《Holistic Integrative Oncology》的一項前瞻性多中心研究顯示，讓AI分析動態掃描影片，再提供醫師參考，可改善較資淺醫師辨識良惡性病變的表現。

研究聚焦乳房影像報告與資料系統（BI-RADS）第4至5類病變，也就是已被影像評估為可疑或高度懷疑惡性的個案。研究團隊於2019年11月至2023年1月從四家醫院收集資料，整體納入532個病變，其中334個用於模型訓練與驗證；良惡性診斷均以切片或手術後的病理結果確認。

這套名為TGMIL的模型，將掃描影片中不同時間點的影像串連分析，並給予較有診斷資訊的畫面更高權重。相較於只挑一張代表影像，這種設計希望保留探頭掃過病灶時呈現的形態變化，協助處理單一畫面難以說清楚的特徵。

正式論文以120名患者、198段影片進行測試，模型在患者層級的曲線下面積（AUC）為0.845；這項指標衡量區分良惡性的能力，並非84.5%的準確率。醫師獲得AI協助後，初階組的診斷準確率由66.7%升至89.2%，主治醫師組則由80.8%升至90.0%。生物通10月12日刊出的同一研究摘要，也呈現這組患者層級結果。

數字的比較單位需要留意。5月21日公開於Research Square的早期預印本，以影片為單位，報告初階醫師準確率由69.2%升至85.9%；正式版本則按患者彙整多段影片後評估。因此，兩組結果不能混用，也不能把差距解讀成模型在幾個月內又進步了一次。

目前證據仍來自特定的醫院診斷族群。研究限於大於5毫米的BI-RADS第4至5類病變，並排除影像品質不佳等情況，未涵蓋無症狀的一般篩檢人群。論文也指出，良惡性影像特徵重疊仍會造成誤判；當AI建議與資深醫師判斷衝突時，還可能干擾原本正確的決定。

這些結果支持繼續驗證AI作為輔助判讀工具的價值，卻尚未證明可以據此安全減少切片。即使早期預印本標題提到減少切片的可能，判讀準確率提升也不等於已確認少做檢查而不增加漏診。下一步需要在更廣泛的患者與實際診療流程中，評估它如何影響檢查決策與患者結果；病理確認及完整臨床評估仍是關鍵。