MARCUS把心臟AI推向多模態診斷，但臨床門檻不只在分數

心臟科醫師面對的資訊，從來不是單一畫面。心電圖提供節律與傳導線索，心臟超音波看見結構與收縮，心臟MRI則補上組織與功能細節。真正困難的地方，常在於把這些檢查放回同一個病人的脈絡裡判斷。史丹佛團隊近期上傳至arXiv的預印本，正是瞄準這個多模態缺口，提出名為MARCUS的生醫AI系統。

根據論文摘要，MARCUS是一個具「代理式」設計的多模態視覺語言模型，訓練與評估資料涵蓋心電圖、心臟超音波與心臟MRI。它的目標不是只替單張影像貼標籤，而是支援較接近臨床流程的心臟診斷與管理任務：讀取不同檢查來源，整合可能互補或互相牴觸的線索，再產生可供醫療人員參考的判讀。

這類系統若能成立，意義在於把心臟AI從「專科工具箱」推向「臨床工作站」。過去許多模型專注於單一任務，例如從心電圖預測心律異常，或從超音波估算射出分率；MARCUS試圖處理的是更接近現場的問題：病人的風險與診斷，往往藏在多種檢查結果之間，而不只存在於其中一種訊號。

論文稱，MARCUS在外部測試中相較若干前沿通用模型有較佳表現，並釋出程式碼與基準測試，讓其他研究者能檢驗與延伸。這點對醫療AI尤其重要，因為臨床可信度不只來自漂亮的內部驗證分數，也來自可重現的評估、跨院資料的壓力測試，以及失敗案例是否能被看見。

不過，這仍是一篇預印本，尚未經同儕審查；目前也沒有獨立、同事件的外部來源可補強細節。因此，對它的解讀應停在研究候選系統，而不是臨床產品。外部測試若使用的族群、儀器、掃描協定或疾病分布與真實部署環境不同，模型在醫院裡的表現可能顯著改變。多模態模型還會面臨一個更棘手的問題：當不同檢查給出不一致訊號時，系統如何排序證據、如何表達不確定性，將直接影響醫師是否能正確使用它。

接下來真正關鍵的，不是MARCUS能否在更多排行榜上超過通用模型，而是能否進入前瞻性臨床驗證。醫療現場需要知道，它在急診、門診與住院流程中會減少錯漏，還是只是增加另一層判讀負擔；它的建議若被採納或被忽略，責任如何界定；它是否能在不同醫院、不同族群與不同設備品牌之間維持穩定。

MARCUS代表一個明確方向：生醫AI正在從單點任務走向整合式臨床推理。這條路的吸引力很高，因為心血管疾病本來就是高度依賴多源資料的領域；但它的門檻也相應提高。若要讓這類模型真正進入照護流程，研究者必須證明的不只是模型會看圖、讀波形，而是它能在不完整、混雜且充滿風險的醫療場景中，成為可被審查、可被校正、也可被負責任使用的工具。