2026 年，衛福部健保署公布首份本土「癌症歷程」調查，比較11種癌症的5年存活率。結果發現，有「癌王」之稱的胰臟癌表現最差，即使是成績最好的醫院5年存活率只有 9.8%。相較之下，同一份報告裡乳癌的5年存活率是 90.1%，攝護腺癌 81.5%。胰臟癌之所以難以早期發現，第一個問題是患者自己感覺不到。疾病初期通常沒有明顯症狀，等到腹痛、背痛或黃疸出現，許多患者已經進入晚期，錯過早期治療的時機。
&nbsp;
第二個問題是，即使已經拍了電腦斷層（computed tomography, CT），也不一定容易看得出來。典型的胰臟癌在顯影 CT 上，通常會和正常胰臟形成亮暗差異；但有些早期腫瘤很小，而且和周圍正常組織的亮度非常接近，對醫師來說，就像要從一整棵樹的葉片裡，找出一片顏色稍微淺一點的葉子。但只要能早一點找到它，結果可能完全不同。根據美國癌症協會統計，如果癌細胞尚未擴散到胰臟以外，患者的5年相對存活率可達 44%。
&nbsp;
病人感覺不到，醫師也不容易從影像中看出來。因此如何及早發現胰臟癌，就成為臨床診斷上的一大難題。為了把診斷時點提前，國立臺灣大學應用數學科學研究所王偉仲教授與臺大醫院綜合診療部廖偉智主任，集結醫學、應用數學、統計與資訊工程等不同領域的研究者組成團隊，開發 CT 預警系統「助胰見」。
&nbsp;
但 AI 要怎麼從一張連醫師都不容易看出異常的 CT 裡，找到早期胰臟癌？研發團隊又是怎麼設計這套系統的？
&nbsp;
AI 如何學會看見早期胰臟癌？
要回答這個問題，得先從 AI 看的東西開始說起。
&nbsp;
廖偉智主任指出，訓練醫療 AI 需要大量且品質一致的影像。但早期胰臟癌的病例本來就少——第一期病例占不到 5%。因此研發團隊不能只依賴臺大醫院的資料，也進一步運用健保署醫療影像資料庫，擴大訓練資料的來源與樣本數。
&nbsp;
不過這些影像不能直接使用，團隊得先解決「資料異質性」的問題：各家醫院使用的 CT 儀器、掃描參數和檢查流程不盡相同，即使同樣是胰臟癌，影像呈現也可能不一樣。因此團隊要先把影像重建成相同的切片厚度、採樣到相同的尺度，再用同一套參數設定分析——這樣可以減少儀器造成的差異，避免 AI 把儀器特徵誤認成胰臟癌的特徵。
&nbsp;
影像規格統一後，研究團隊讓兩批資料扮演不同角色。臺大醫院的影像是「教材」，用來訓練、調整和院內測試模型。建立教材時，兩位資深放射科醫師會在 CT 上逐一圈出胰臟和腫瘤的位置。這些圈選就像標準答案，讓模型知道胰臟在哪裡、腫瘤又可能藏在哪裡。
&nbsp;
健保署的影像則是「考卷」。這些影像是模型沒有看過的，醫師也不會事先圈出胰臟和腫瘤。模型必須自己從完整的 CT 中找到胰臟，再判斷有沒有癌症。這才接近真實的醫療現場，因為實際使用時，不會有人先替 AI 把答案圈好。
&nbsp;
三個模型，各看不同的東西
教材和考卷都準備好後，接下來就要設計 AI 模型。王偉仲教授表示，這套系統不是只靠一個模型，而是由三個模型分工。第一個是影像分割模型。它先從醫師圈選的影像中，學習胰臟和腫瘤的形狀與位置。訓練完成後，就能自己從新的 CT 中找出胰臟，畫出需要分析的範圍。
&nbsp;
找到胰臟後，另外兩個模型會從不同角度分析。第二個模型從三維角度檢查整個胰臟，從密度、形狀和紋理中，算出 1,183 項數值特徵，再判斷病人罹患胰臟癌的機率。第三個模型則把每一張 CT 切片中的胰臟，分成許多重疊的小方塊，再逐一判斷每個區域的癌症風險。最後，系統會把所有結果拼成一張熱區圖，標出最可疑的位置。
&nbsp;
團隊同時使用這兩種分析，是因為它們各有優缺點。三維分析可以看見不同 CT 切片之間的空間關係，卻可能忽略局部的小變化；小方塊分析看得比較細，卻無法掌握整個胰臟的立體關係。因此，團隊把兩種分析方式結合，才能同時掌握局部細節和整體結構。
&nbsp;
那麼，這套系統表現如何？在健保署的「考卷」中，系統的敏感度是 89.7% 。也就是每 100 名胰臟癌患者，大約能找出 90 名。特異度則是 92.8% ，代表每 100 名沒有胰臟癌的人，大約能正確排除 93 名。至於最難辨認、尺寸小於 2 公分的腫瘤，系統的敏感度是 74.7% 。也就是每 100 名帶有這類小腫瘤的患者，大約能找出 75 名。這項研究以全國性資料集進行大規模驗證，是醫療 AI 少見的成果。研究不僅發表於影像放射學頂尖期刊《Radiology》，更獲得 RSNA Alexander Margulis Award，也是臺灣團隊首次獲得這項國際殊榮。
&nbsp;
沒有顯影劑，還看得見嗎？
不過，這套系統有一個前提：病人得先打顯影劑。王偉仲教授表示，團隊在 2026 年發表了一項新的研究，目標是讓 AI 從沒有施打顯影劑的 CT 中找出胰臟癌。顯影劑能增加影像的明暗差異，讓胰臟和腫瘤更容易辨認。然而，許多 CT 檢查不會施打顯影劑，例如：肺癌篩檢、腎結石評估或部分腹痛檢查。如果能在這些地方辨識出來，可能就能找到更多潛在的患者。
&nbsp;
但因為沒有顯影劑，胰臟和周圍組織的邊界不容易分清楚。如果仍要求 AI 先圈出胰臟，一旦位置圈錯，後面的分析也會跟著出錯。因此，這次不先圈出胰臟，而是定位整個上腹部，把胰臟和周圍器官一起分析。團隊也調整模型架構，結合卷積神經網路（CNN）與 變換器架構（Transformer）。前者負責觀察局部的細微變化，後者負責連結不同區域的資訊，統合判斷影像中是否可能有胰臟癌。
&nbsp;
模型完成後，研究團隊以臺大醫院資料進行測試，AI 對胰臟癌的偵測敏感度達 90.8%，特異度達 93.0%。這項研究顯示，原本較不容易辨識胰臟腫瘤的無顯影 CT，AI 仍有機會協助醫師發現胰臟癌。
&nbsp;
目前，「助胰見」已取得臺灣食藥署許可，並且已經在多家醫療院所使用，「助胰見」已經從實驗室進入醫療現場。它也獲得美國食品藥物管理局（FDA）的突破性醫材認定，成為團隊從臺灣走向國際的重要一步。
&nbsp;
「AI 是醫師的第二雙眼睛」廖偉智醫師這樣形容。放射科醫師每天要判讀大量影像，判讀品質可能受到疲勞與經驗差異影響；AI 不會疲倦，可以用一致的方式檢查每張影像，再提醒醫師注意可疑的地方。「助胰見」的核心，就是協助醫師在症狀出現前，從影像中辨識可能的早期病灶。
&nbsp;
但把診斷時間提前還有另一種做法。胰臟癌是從一張靜止的影像裡找出已經存在的病灶；如果要面對的不是一張影像，而是每分每秒都在變化的生命徵象呢？如果要找的不是已經存在的東西，而是還沒發生的惡化呢？
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/09/2-7.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">「AI 是醫師的第二雙眼睛。」廖偉智醫師這樣形容。放射科醫師每天要判讀大量影像，判讀品質可能受到疲勞與經驗差異影響；AI 不會疲倦，可以用一致的方式檢查每張影像，再提醒醫師注意可疑的地方。</div>
</div>
</div>
</div>
</div>
&nbsp;
智慧重症：AI 如何在病況惡化前發出警報？
這正是加護病房面臨的問題。重症病人接受持續監測，會產生大量即時資料，包括心跳、血壓、血氧、尿量與各項檢驗數值。問題是，這些資料時刻都在更新，而且每位病人的疾病與病程都不相同。以急性腎臟損傷為例，病人可能先出現尿量減少，之後血液中的肌酸酐才開始上升；重症肺炎惡化時，可能先出現血氧下降、呼吸器供氧需求增加，胸部 X 光才逐漸出現異常。換句話說，病情惡化的警訊不一定同時發生，而是散落在不同時間點、不同類型的資料中。有些數值已經改變，而其他數值可能仍在正常範圍。
&nbsp;
臺中榮總吳杰亮副院長表示，醫護人員同時要照顧多名病人，不可能長時間盯著每一名病人的所有變化。但若錯過關鍵訊號，病況可能迅速惡化。這正是 AI 可以介入的地方。它能持續監測大量資料，在病況惡化前提出警示，讓醫療團隊及早確認病人狀態、調整處置，爭取治療時間。
&nbsp;
為了做到這件事，吳杰亮團隊建立「Zoe 智慧重症系統」。團隊整理臺中榮總 2015 年至 2023 年的加護病房住院紀錄，合計 9,800萬筆資料，開發出兩套預警軟體：「Acura AKI」和「Acura ARDS」。
&nbsp;
Acura AKI是用來預測急性腎臟損傷，這種疾病會讓腎功能在短時間內突然下降，嚴重時需要洗腎，甚至死亡。以統計來說，約有4成的加護病房患者會出現急性腎臟損傷。Acura AKI 會分析病人的檢驗結果、用藥、生命徵象和尿量，預測未來24小時發生急性腎臟損傷的風險，讓醫師提早調整治療方式。
&nbsp;
另一套Acura ARDS，用來偵測急性呼吸窘迫症候群。這種疾病會使肺部嚴重發炎。嚴重時，患者需要插管，對重症患者來說，死亡率更是高達 46.1%。
&nbsp;
Acura ARDS會持續分析血氧、呼吸器設定、檢驗結果和胸部 X 光，判斷病人是否可能出現急性呼吸窘迫症候群 ( ARDS)。一旦發出警示，醫療團隊便能進一步確認病況，爭取處理時間。
&nbsp;
吳杰亮副院長表示，Acura AKI與Acura ARDS目前都已取得臺灣食藥署的醫療器材許可。Acura AKI從 2024 年就在臺中榮總上線，並陸續被其他醫院引進。Acura ARDS則剛取得許可，目前已完成四家醫院的跨院驗證，接下來要進一步推動臨床導入。
&nbsp;
醫療 AI 上線後，為什麼還要持續監測？
從「助胰見」到「Acura AKI」與「Acura ARDS」，這些案例證明，AI 能從大量資料中找出人眼不易察覺的訊號。但取得許可，只是 AI 醫療器材進入臨床的第一步。
&nbsp;
隨著設備更新、臨床流程改變或患者分布出現變化，模型接觸的資料可能產生「資料漂移」（Data Drift），進而影響判斷表現。因此，系統上線後仍要持續監測，必要時重新驗證或更新模型，才能確保它原有的效能與安全性。回到開場那個問題：一個感覺不到症狀的人，能不能在腫瘤還小的時候就被找到？「助胰見」目前給出的答案是每 100 名患者裡的 90 名——而那些小於 2 公分的腫瘤，還有 25 名會被漏掉。這正是為什麼上線之後的監測與更新，跟研發本身一樣重要。讓 AI 持續接受真實世界資料的檢驗與更新，才是 AI 醫療器材從研究走進醫院、從臺灣走向國際的必經之路。
&nbsp;
（客座總編輯｜衛生福利部資訊處處長暨臺大醫學院急診醫學科教授李建璋；研究顧問團隊｜國立臺灣大學應用數學科學研究所王偉仲教授、臺大醫院綜合診療部主任、國立臺灣大學醫學院廖偉智教授、臺中榮民總醫院吳杰亮副院長；責任編輯｜王喆宣、洪孟樊）