未來走進診間的第一步，可能不再是醫師親自逐一詢問病史，而是由 AI 問診系統先完成一輪線上對話。病人結束這段流程後，一份條理分明的摘要隨即送到醫師手上，症狀、病史與可能診斷都已分類整理，看起來一應俱全。它不是最終病歷，而是醫師看診前的參考資料。
&nbsp;
但如果這份摘要，其實在某些細節上已經替病人做了回答呢？例如有些症狀，AI 問診系統根本沒有問，卻在整理時被寫成「沒有異常」。這時問題就不只是效率提升，而是這份資料是否可靠。醫師若直接沿用摘要的內容，沒有回頭查對系統與病人的原始對話，也沒有在看診時重新確認，錯誤就可能悄悄被帶進後續的診斷與治療判斷中。
&nbsp;
這也引出一個更根本的問題，當醫療資訊開始由 AI 參與整理與詮釋，我們究竟是在「加速理解病人」，還是在「讓 AI 替我們理解病人」？
&nbsp;
不同於針對特定影像執行判讀的影像 AI，大型語言模型可以閱讀病歷、與病人對話，甚至提出診斷建議，錯誤也因此可能藏在一段讀來合理的說明裡。國立臺灣大學資訊工程學系陳信希教授與臺北醫學大學康峻宏院長，分別從模型評測與臨床導入提出觀察。
&nbsp;
從回答考題到模擬問診，醫療大型語言模型已經做到哪裡？
近年在醫療領域較受關注的，是 Med-Gemini 與醫療對話系統 AMIE。前者是 Google 以 Gemini 為基礎微調（fine tuning）的醫療研究模型，能處理醫學文字、長篇病歷與醫學影像。後者則專為診斷對話設計，會主動詢問病史、持續追問，再整理可能的鑑別診斷。
&nbsp;
2024 年公布的 Med-Gemini 研究中，模型在以美國醫師執照考試題型為主的 MedQA 資料集取得 91.1％ 正確率。2025 年刊登於《Nature》的研究，則安排 AMIE 與 20 名基層醫師以文字對話處理 159 個模擬案例。這些面向涵蓋病史詢問、診斷準確度、處置建議、溝通技巧與同理心：在專科醫師評分的 32 個面向中，AMIE 有 30 項優於基層醫師；病人演員評分的 26 個面向中，AMIE 有 25 項較佳。兩組評分中，AMIE 未勝出的少數項目，表現也與醫師相當。
&nbsp;
值得一提的是，這 159 個案例分別來自加拿大、英國與印度的臨床提供者——沒有一個來自臺灣。
&nbsp;
不過，這場比較以同步文字聊天進行。醫師無法觸診，也不能觀察病人的神情與語調，而這些都是臨床判斷的一部分。純文字問診也不是多數醫師熟悉的工作方式，模擬案例仍難以涵蓋真實門診的變化。
&nbsp;
臨床判斷很少只靠文字，醫師會看皮膚上的紅疹、判讀心電圖的波形、翻閱檢驗報告，把這些不同形式的資訊放在一起推論。研究團隊後來設計了 105 個情境，讓病人在對話中傳送手機拍攝的皮膚照片、心電圖與檢驗報告，測試 AMIE 能不能做到同樣的事。它必須判斷什麼時候該開口要資料，看懂拿到的影像，再把讀到的線索接回問診，而不是把文字和影像分開處理、各自給出答案。這種 AI 同時讀取文字與影像並整合推論的能力，稱為多模態能力。專科醫師評分顯示，無論是影像判讀相關的項目，或是病史詢問、診斷準確度等原有項目，AMIE 多數表現仍優於基層醫師。
&nbsp;
此外，真實的疾病不會在一次看診就結束，慢性病更需要追蹤病情變化、觀察用藥反應、適時調整處方。2026 年 6 月刊登於《Nature》的研究，便讓 AMIE 與 21 位基層醫師處理 100 個需要多次回診的案例，情境依英國國家健康與照顧卓越研究院（NICE）的臨床指引設計，測試它能否在連續的診次之間掌握疾病進程，並安全地開立藥物。
&nbsp;
換句話說，AMIE 正從「一次性的診斷對話」，往「看得懂影像」與「管得了長期治療」兩個方向擴張。
&nbsp;
陳信希教授認為，考試拿到高分，主要反映的是模型醫學知識儲備。 真正的臨床推理，還得面對病人資訊不完整、病史前後矛盾，以及檢驗結果出爐後必須修正判斷的情況。模型能否主動追問缺漏、指出不同紀錄之間的衝突，並在新的檢驗數據與原本假設不符時推翻自己的初步診斷，這些都無法從選擇題的正確率上看出來。
&nbsp;
康峻宏院長則指出，病歷整理與影響診斷處置，是風險完全不同的任務。「愈到後階段，例如產生診斷，甚至產生處置建議，在落地上要克服的東西就會更多。」也就是說，愈接近檢查、用藥或治療，對臨床驗證與監管的要求就愈高。
&nbsp;
答案看似合理，為什麼仍然可能出錯？
大型語言模型的訓練目標之一，是根據前文預測接下來可能出現的字詞。因此，模型生成一句文字時，未必會先確認其中每一項敘述都能在病人的資料中找到依據。
&nbsp;
陳信希教授舉例，Med-Gemini 曾在論文中判讀腦部 CT 影像時，將基底核的英文 Basal ganglia 與基底動脈的英文 Basilar artery 混接成 Basilar ganglia，寫出一個醫學上不存在的構造。這個錯誤語法完整、外觀專業，快速閱讀時不容易發現。
&nbsp;
更難察覺的幻覺，是把「沒有取得資訊」寫成「病人沒有症狀」。康峻宏院長指出，有些模型根本沒有詢問某個問題，卻因為病人沒有主動提及，就在摘要中寫成正常。以腹痛為例，若關鍵症狀被誤記為正常，醫師可能降低對盲腸炎的懷疑，影響後續處置，「不同研究對幻覺的定義與計算方式不一，因此研究結果不能只比較表面數字。」
&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/2026/09/13-4.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;">大型語言模型可能生成語法流暢、外觀專業的錯誤，甚至將未詢問的資訊誤寫為正常，增加臨床查核難度。</div>
</div>
</div>
</div>
</div>
&nbsp;
要成為可信的第二意見，臨床上還缺哪些驗證？
陳信希教授指出，評測除了確認模型答對多少題，也要檢查它能否列出支持與反對診斷的證據，在資料改變後修正判斷，並在資訊不足時承認無法回答。他也提醒，MedQA 等公開題庫可能已被納入訓練資料。除非模型能在未曾見過的病例上維持表現，否則高分仍有背題庫的疑慮。
&nbsp;
要回應這個質疑，最直接的方式就是讓模型面對真實的病人。
&nbsp;
2026 年一項研究把 AMIE 放進真實門診，100 名成人在看診前 5 天內先與 AMIE 文字問診。AMIE 問完診之後，不會只給一個答案，而是列出好幾種可能的疾病，並依照可能性高低排序，將最有可能的疾病放在第一位。8 週後，由醫師調閱完整病歷，確認病人到底得了什麼病，再回頭核對 AMIE 的診斷清單。
&nbsp;
結果顯示，90% 病人的病名確實出現在清單上，但病名真正被 AMIE 排在第一位的只有 56%。也就是說，AMIE 通常沒有漏掉正確的疾病，卻不一定判斷得出哪一個可能性最高。研究也請醫師在不知道診斷者是誰的情況下，為 AMIE 與醫師的判斷評分，結果指出兩邊在診斷與處置品質上沒有明顯差距，但醫師的處置計畫更容易執行，花費也更合理。
&nbsp;
這項研究沒有對照組，全程由安全人員即時監看，也排除孕婦、精神科主訴與非英語病人。因此只能支持初步可行性，不能據此認定 AMIE 與醫師能力相同。康峻宏院長也指出，AI 可能像教科書一樣列出完整檢查，醫師則會依病情、疾病機率與成本刪減項目。建議比較多，未必代表醫療結果更好。
&nbsp;
模型進入臨床後，還要面對人工監督是否有效的問題。若醫師只能看到 AI 摘要，便難以察覺哪些資訊從未被詢問。實務上也不可能要求醫師重新聽完 AI 與病人的完整對話。部分醫院會觀察醫師是否修改 AI 文字，但門診繁忙或出現審閱疲勞時，查核也可能不夠完整。
&nbsp;
「我們雖然一直說醫師要監督，但某些情況下，監督的實行確實沒有想像中那麼單純或容易。」康峻宏院長提出，可以讓 AI 與醫師各自完成一輪判斷，再比對診斷差異、遺漏資訊與警訊，降低醫師先受到模型答案影響的可能。不過，這種差異分析會增加時間、人力與算力，仍須驗證是否真的改善病人結果。
&nbsp;
這個設計要防的，其實正是開頭問題的另一面：如果醫師打開系統時，第一眼看到的就是 AI 的答案，那麼後續的判斷究竟是醫師自己的推理，還是對模型結論的確認？讓兩邊各自作答，是為了保住醫師獨立判斷的那一段。
&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/2026/09/13-5.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;">醫療 AI 不能只看答對率，還須檢驗推理依據、研究限制與人工監督，確認模型能否安全進入臨床。</div>
</div>
</div>
</div>
</div>
&nbsp;
從低風險任務開始，臺灣如何建立自己的臨床路徑？
既然監督不容易做到位，那就從容易監督的任務開始。康峻宏院長依風險把 AI 的臨床任務分成三層：
&nbsp;
可以優先驗證的：病歷摘要、時間軸整理與出院病歷初稿。這些任務都有原始資料可以核對。
&nbsp;
需要附加條件的：診前病史蒐集。應保留完整對話紀錄，並設置人工複核。
&nbsp;
現階段不宜由模型獨立執行的：自主診斷、急診檢傷與調整處方劑量——這些會直接改變治療。
&nbsp;
臺灣也有自己的語言與制度條件。康峻宏院長指出，病人可能以中文或臺語描述不適，病歷資料目前仍以英文為主，模型還要處理語言轉換與醫學術語。陳信希教授則提醒，實際病歷也可能混雜繁體中文、英文縮寫、臺語羅馬拼音與口語表達。
&nbsp;
陳信希教授指出，臺灣的 B 型與 C 型肝炎、肝癌及鼻咽癌盛行率與歐美不同。若直接套用以美國資料為主的模型先驗機率，可能提高誤判風險。這也是為什麼前述 159 個模擬案例值得注意：他們來自加拿大、英國與印度，沒有一個來自臺灣。醫療模型也必須理解臺灣的健保制度與臨床日常。
&nbsp;
院際系統差異也是導入障礙。康峻宏院長指出，臺灣許多醫院早期各自建置醫療資訊系統，缺乏統一規範。同一套模型移至不同醫院時，可能必須重新定義資料欄位與資料庫結構。
&nbsp;
本土化不等於從零打造臺灣專屬模型。康峻宏院長認為，較務實的做法是在既有模型上，以本地語言、病例、流程與法規進行調整及驗證。「我們沒辦法複製美國，也不能複製中國，我們就走自己的路。」他認為韓國、日本與新加坡的醫療與制度條件與臺灣較為接近，或許更適合作為參考。政府、醫院、醫學會與技術團隊，也需要共同訂出採用、擴大與停用的標準。
&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/2026/09/13-6.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;">醫療大型語言模型在臺灣落地，須從低風險任務起步，並完成語言、疾病、制度與院際系統的本土驗證。</div>
</div>
</div>
</div>
</div>
&nbsp;
可信的第二意見，必須讓錯誤有機會被看見
大型語言模型已展現整理病歷、蒐集病史與提出鑑別診斷的能力，但目前的證據仍不足以把它視為可以獨立看診的醫療人員。現階段較合適的定位，是在任務清楚、資料可追溯、完成本土驗證並保留有效人工監督的條件下，提供有限度的第二意見。
&nbsp;
康峻宏院長提醒，在醫療領域，新的不一定好，有完整的證據比較重要。陳信希教授則指出，醫療 AI 的危險在於它能把錯誤包裝得極具說服力，因此防護網不能只靠醫師最後的簽核，必須從底層技術到通報制度全面把關。
&nbsp;
回到開頭那份看似完整的病歷摘要，真正需要確認的，不只是每一欄是否都有文字，而是每一句重要資訊能否找到依據。當 AI 的答案可以被追溯、被檢查，也能在資訊不足時留下空白，它才有機會從尚待驗證的風險，逐步成為醫師可以參考的第二意見。
&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｜國立臺灣大學資訊工程學系陳信希教授、臺北醫學大學康峻宏院長；責任編輯｜王喆宣、黃宜稜）