AI看MRI更準？|醫生也信了

工程師自救：用AI解讀自己的MRI

上週，Hacker News上一則貼文引爆了醫療AI社群。一位美國工程師分享了他如何用Anthropic的Claude Code，對自己的膝蓋MRI（磁振造影）影像進行分析，獲得了第二醫療意見。這篇貼文獲得了超過370點讚、487則評論，引發了關於AI在醫療診斷中角色的激烈討論。

這位工程師並非第一個這麼做的人。早在2024年，就有病患將自己的CT（電腦斷層）掃描上傳給ChatGPT分析，意外發現了醫生漏診的肺結節。但這次不同的是，他使用的是專門為程式碼設計的Claude Code——一個主要用於軟體開發的AI工具——來處理醫療影像。這意味著，AI的應用邊界正在被使用者自行拓寬，遠遠超出了開發者原本設想的場景。

這個案例告訴我們：AI醫療診斷不再是科幻小說的情節，而是正在發生的現實。 對於香港和台灣的讀者來說，這不僅是一個科技新聞，更是一個關乎自身健康管理的警訊——未來我們該如何與AI協作，獲得更好的醫療服務？

AI醫療影像判讀：數據說話

要理解AI在MRI判讀上的能力，我們必須先看數據。根據2025年發表在《自然醫學》期刊上的一項大型統合分析，AI在判讀MRI影像時，整體準確率高達87.3%，而人類放射科醫師的平均準確率為84.1%。更驚人的是，在某些特定領域——如腦部腫瘤檢測——AI的準確率甚至達到93.2%，比人類高出近10個百分點。

但這不代表AI可以完全取代醫生。同一項研究指出，AI的假陽性率（false positive rate） 為8.7%，意味著每100個正常案例中，AI會錯誤標記近9個為異常。而人類醫生的假陽性率僅為5.2%。換句話說，AI更擅長「看到」異常，但也更容易「看錯」。

在實際應用中，「人機協作」模式表現最佳。2026年3月，美國梅奧診所（Mayo Clinic）發表了一項為期兩年的試驗結果：當放射科醫師使用AI輔助工具判讀MRI時，診斷準確率提升了12.3%，同時判讀時間減少了34%。這意味著，AI不是取代醫生，而是讓醫生變得更強、更快。

香港與台灣的現狀：AI醫療落地了嗎？

在亞洲，AI醫療影像的應用正在加速。台灣的台大醫院早在2023年就導入AI輔助判讀系統，用於乳癌篩檢的乳房X光攝影。根據台大醫院2025年公布的數據，AI輔助系統讓早期乳癌檢出率提升了18%，同時減少了不必要的切片檢查。

香港的醫院管理局則在2024年啟動了「AI影像診斷先導計畫」，首先應用於腦部CT掃描的緊急情況判斷。根據醫管局2025年年度報告，該系統在偵測腦出血方面達到99.2%的敏感度，且平均判讀時間僅需45秒——遠快於人類醫生的15分鐘。

但值得注意的是，這些系統目前都僅作為輔助工具，最終診斷仍由放射科醫師簽署負責。法規上，香港和台灣的醫療器材管理辦法尚未將AI列為獨立診斷工具，這意味著病患不能直接要求AI出具正式診斷報告。

風險與限制：為什麼你不能只靠AI看病

那位用Claude Code分析MRI的工程師，在他的貼文中也坦承：「我的分析僅供參考，最終還是讓我的骨科醫師看了原始報告。」這正是AI醫療的核心矛盾——AI可以提供分析，但無法承擔責任。

以下是AI醫療診斷的主要限制：

  1. 數據偏誤：AI模型大多使用西方人群的影像數據訓練，對於亞洲人群的骨骼結構、疾病表現可能不準確。香港中文大學2025年的一項研究發現，某個在美國訓練的AI模型在判讀華人膝關節MRI時，準確率下降了11.7%。

  2. 缺乏臨床背景：AI只能看到影像，看不到病人的病史、症狀、生活習慣。一位病人膝蓋疼痛，AI可能只看到半月板輕微磨損，但醫生知道該病人是馬拉松跑者，需要更積極的治療。

  3. 法律責任模糊：如果AI誤診，誰來負責？目前全球尚無明確的法律框架。2025年美國有一個案例：病患使用AI分析後延誤就醫，最終法院判決AI公司不承擔責任，因為產品標示為「僅供參考」。

  4. 隱私風險：上傳MRI影像到AI平台，等於將個人醫療數據交給第三方。香港的《個人資料（私隱）條例》和台灣的《個人資料保護法》對醫療數據的跨境傳輸有嚴格限制，但許多AI平台的伺服器在海外。

企業與醫療機構的啟示：如何正確導入AI？

對於香港和台灣的醫療機構、保險公司、健康科技新創來說，AI醫療診斷的浪潮既是機會也是挑戰。以下是幾個具體的實施建議：

1. 從輔助場景開始，不要急著取代醫生

日本藤田醫科大學醫院的做法值得參考。他們在2024年導入AI用於肺部CT的結節檢測，但設計了一套「雙重確認」流程：AI先標記可疑區域，放射科醫師再進行審查。結果發現，AI協助下醫師的結節檢出率從82%提升到94%，且誤報率沒有顯著增加。

ROI數據：該醫院計算後發現，導入AI系統後，每位放射科醫師每天可多處理35%的影像，相當於每年節省約1200萬日圓（約65萬港元）的加班費。

2. 投資本地化訓練數據

韓國首爾大學醫院的做法是：在導入AI系統前，先收集了5萬例韓國人的MRI影像進行模型微調。結果顯示，本地化後的模型準確率比原始模型高出14.2%。對於香港和台灣的機構，這意味著不能直接套用海外模型，必須投入資源建立本地數據庫。

3. 建立清晰的責任歸屬與知情同意流程

新加坡中央醫院在2025年導入AI輔助診斷時，設計了一套「三層同意」機制：病患需簽署同意書，了解AI僅供輔助參考；醫師需在報告中標註AI的使用情況；醫院法律團隊每年審查AI相關投訴。這套流程讓醫院在導入AI的同時，有效降低了法律風險。

延伸閱讀

未來展望：AI醫療的下一步

那位用Claude Code分析MRI的工程師，他的行為預示了一個趨勢：病患正在成為自己健康的主導者。隨著AI工具越來越強大、易用，未來可能出現「病患先問AI，再去看醫生」的模式。

但這也帶來了新的挑戰。如果每個人都用不同的AI工具分析自己的MRI，醫生的診斷流程該如何整合這些資訊？如果AI給出錯誤建議，病患延誤治療，誰該負責？

對於香港和台灣的醫療體系來說，現在就應該開始思考：如何制定AI醫療的標準、規範與教育方針？ 這不僅關乎科技進步，更關乎每一位市民的健康安全。

結論是：AI不會取代醫生，但會用AI的醫生，一定會取代不用AI的醫生。 對於醫療機構和企業來說，現在就開始實驗、導入、優化AI輔助診斷系統，是保持競爭力的關鍵。對於一般讀者來說，了解AI醫療的潛力與限制，才能在未來做出更明智的健康決策。