從標記病灶到撰寫初稿：Aidoc胸腔X光生成式AI踏上FDA審查前哨

多數醫療影像AI只圈出可疑區域，最後仍由放射科醫師整理整張影像、判讀彼此相關的異常並撰寫報告。Aidoc開發的First Read把觸角伸向這段核心工作：先分析胸腔X光，再生成初步報告文字，交由醫師修改與簽署。這使它不只是另一套警示工具，也成為生成式AI能否接受診斷醫材規範檢驗的一個早期案例。

美國食品藥物管理局（FDA）已授予First Read突破性醫材指定，編號Q260882。不過，指定範圍是偵測並描述四項危及生命的影像發現，並非公司規畫中的全部能力。Aidoc向媒體表示，產品預計涵蓋超過100項預先界定的發現，但尚未公開完整清單。

依公司說法，系統先由偵測模型辨識影像特徵，再將結果組織成結構化報告。這與既有AI針對單一病灶標記位置或調整工作清單順序不同：視覺—語言模型必須整合整張X光的訊息，決定哪些發現應寫入報告，並產生可供臨床使用的文字。每份初稿仍須由放射科醫師審閱與簽署，最終責任並未交給模型。

First Read採用與Aidoc一款已獲FDA許可的腹部電腦斷層分流工具相同的底層架構，但共用架構不等於新用途已獲證實。公開資料尚未提供First Read驗證研究的樣本數、醫療機構組成、疾病盛行率、不同設備與族群的表現，也沒有逐項公布靈敏度、特異度或報告錯誤率，因此目前無法獨立判斷其百餘項判讀能力。

這也凸顯端到端生成式診斷AI的審查難題。監管機關不只要確認四項重大發現能否被可靠辨識，還須面對大量陰性與罕見病例、同時存在多種異常的影像，以及文字生成可能出現的遺漏、錯誤描述和不當確定語氣。當輸出從單一警示變成整份報告，驗證單位也從一個病灶擴張為多項發現及其組合。

人類覆核雖是重要防線，卻不能自動消除風險。若初稿品質不穩，醫師可能花更多時間逐句核對；若文字多半正確，反而可能因自動化偏誤而漏掉少數關鍵錯誤。實際評估因此還應納入醫師如何修改報告、錯誤是否被及時攔截，以及不同臨床場景下的工作負荷，而不只是模型在靜態資料集上的準確率。

突破性醫材指定可讓開發商獲得更密集的FDA回饋與優先審查機會，並不代表產品已獲准上市。First Read目前仍屬研究用途，Aidoc仍須完成驗證研究並取得行銷許可。真正的監管考驗，在於如何把僅涵蓋四項致命發現的指定，轉化為足以支持廣泛胸腔X光報告功能的完整證據。