開源CT人工智慧，把商業黑盒推向可檢驗的臨床門口

一張腹部CT往往不只回答醫師當下提出的問題。掃描影像裡，可能同時藏著腹主動脈是否異常擴張、椎體骨密度是否偏低等線索；只是臨床工作繁忙，這些資訊未必每次都被系統性讀出。近期上傳至arXiv的生醫人工智慧預印本，將這種「機會性影像分析」帶到一個較少見的方向：不只發表演算法表現，也公開已獲美國FDA 510(k)核准的模型程式碼、權重與關鍵驗證資料。

這套名為Comp2Comp的開源軟體包，包含兩個深度學習管線。其一是腹主動脈定量分析，用於分割腹主動脈並估算最大直徑，協助評估腹主動脈瘤大小；其二是骨密度估計，透過分割椎體推估小梁骨密度，進一步判斷骨質密度偏低的風險。兩者都利用已經拍攝完成的CT影像，理論上不需要額外掃描，也不增加病人輻射暴露。

研究團隊報告，腹主動脈模組在來自4個外部機構、共258名病人的CT掃描上接受驗證，樣本刻意富集腹主動脈瘤病例；模型估算的最大主動脈直徑與放射科醫師標註相比，平均絕對誤差為1.57毫米，95%信賴區間為1.38至1.80毫米。骨密度模組則在4個外部機構、371名病人的CT上測試，並以同期DXA骨密度檢查作為參照；低骨密度二元分類的敏感度為81.0%，特異度為78.4%。

這些數字說明模型已有跨中心資料支持，但也不能被讀成萬無一失的臨床答案。腹主動脈直徑的幾毫米差異，在某些追蹤或轉診門檻附近可能具有實際意義；骨密度分類也仍有漏判與誤判。更重要的是，這篇論文目前是預印本，尚未經同儕審查；研究摘要提供的資訊也不足以完整判斷族群分布、掃描協定差異、失敗案例型態，以及模型在不同醫院資訊系統中運作時的真實表現。

這項工作的特殊之處，不只在於模型本身，而在於它碰觸了醫療AI長期存在的透明度問題。許多商業放射AI工具雖然取得監管許可，外部使用者卻難以看見足夠細節，醫院往往只能在採購或臨床試行後才真正理解其限制。Comp2Comp若確實如論文所述公開程式碼與權重，便讓研究者與醫療機構有機會先在本地資料上重跑、壓力測試、比較偏差，再決定是否進入臨床流程。

但開源並不等於自動可用，也不等於監管責任消失。模型即使取得FDA 510(k)核准，醫院仍需面對版本管理、資料漂移、資安、影像品質控管與責任歸屬等問題；若研究者修改模型或重新訓練，也可能產生新的驗證與合規要求。Comp2Comp提供了一個較透明的起點：它把CT影像中原本可能沉睡的生物標記轉為可測量資訊，同時也提醒臨床AI真正的考驗，常常不在示範一次準確，而在能否被獨立檢查、被可靠部署，並在錯誤發生時被追溯。