曾有開創性的AI科學家預言電腦將取代人類放射科醫師。然而，這並未發生。

2016年，諾貝爾獎得主、被譽為「AI教父」的Geoffrey Hinton預測，負責判讀X光、超音波及其他影像以協助醫療診斷的放射科醫師，將在五年內被電腦取代。如今，這個領域可以引用馬克吐溫的名言反駁：「我死亡的報導被誇大了。」

事實上，放射科醫師的人數正在穩步增長，預計未來三十年內，執業人數將增加26%或更多。然而，Hinton可能忽略了就業市場的動態，這不應掩蓋他的先見之明：他確實預見到人類醫師現在擁有一個基於矽晶片的同事，其表現與人類相當甚至超越人類。實際上，放射醫學是目前醫療領域中AI應用最熱門的焦點，使其成為醫療保健乃至其他領域採用專家決策系統的風向球。

截至2026年初，美國食品藥物管理局（FDA）批准的1,400種AI醫療設備中，約有四分之三用於放射醫學。有些工具透過自動撰寫報告或提醒醫師注意緊急影像來提高效率。然而，其他AI工具更有潛力超越人類表現，例如識別肉眼可能無法察覺的異常，或像訓練有素的放射科醫師一樣，甚至更好地判讀影像。舉例來說，一項針對43項臨床試驗的分析指出，AI輔助的大腸鏡檢查比傳統檢查能發現更多息肉。

提高準確性至關重要，因為診斷影像的平均人為錯誤率估計在3%到5%之間，這相當於全球每年約有4000萬個錯誤。然而，解決方案並非簡單地用機器取代人類。在Hinton驚人預測十年後，現在的關鍵問題不再是人類或AI在特定任務上誰的統計表現更好，而是如何將AI的技術精確性與人類的經驗和靈活性結合，以提高準確性並造福患者。

找到設計這種協作系統的最佳方式並不容易。史丹佛大學醫學與影像AI中心主任、放射科醫師Curtis Langlotz表示，即使AI在判讀某些影像方面平均而言比熟練的放射科醫師更可靠，它仍然會犯一些人類不會犯的錯誤。這使得放射科醫師的角色變成評估每個AI決策，其中絕大多數是正確的，並識別演算法出錯的罕見情況。

田納西州孟菲斯St. Jude兒童研究醫院智慧影像資訊學部門主任、放射科醫師Paul Yi說：「這需要整個思維模式的重新調整。」

醫師們已經習慣於推翻電腦的建議，但這次情況不同。數十年來，基於規則的演算法觸發的電子病歷警報一直在提醒醫師注意潛在的危險藥物交互作用。Langlotz表示，醫師通常會忽略這些警報約一半的時間。他說：「我會從電腦那裡得到一些建議，然後我必須根據我掌握的關於該患者的所有其他資訊來評估，並做出最佳決策。」

相較之下，放射醫學中的AI影像分析系統通常基於神經網路，能夠高準確度地識別腫瘤亞型、描繪病灶邊界並執行其他診斷任務。與基於規則的演算法不同，後者提供醫師可以根據自身醫學知識快速解釋的答案或提示詞，而神經網路則被稱為「黑箱」系統。這些AI模型通常不會揭示它們是如何做出決策的，這使得放射科醫師決定是否否決其判斷的工作變得更加不透明。

北美放射學會出版物《放射學：人工智慧》的編輯Charles Kahn說：「這真的是異常嗎？還是我錯過了AI以其精微的思維或其他方式識別出的東西？」他補充：「這對我們來說確實是個挑戰。」

Langlotz舉例說明，假設有一個AI工具能偵測出胸部電腦斷層（CT）上95%的肺結節，而放射科醫師通常能偵測出90%。他說：「有些人會說，『哦，AI比放射科醫師好，所以我們應該用AI取代所有放射科醫師。』」他接著說：「但我會告訴你，放射科醫師將會偵測出機器遺漏的那5%中的一部分。這是因為機器智慧和人類智慧是不同類型的智慧。」

AI可以檢查影像上的每個像素，而不會感到疲倦或分心，並將其與它曾遇到的所有其他影像進行比較。相較之下，放射科醫師對疾病的理解使他們能夠以AI無法做到的方式來判讀影像。

Mosaic Clinical Technologies的首席醫療AI長Nina Kottler說：「當AI和放射科醫師自然地思考不同時，你如何確保放射科醫師每次都接受AI的正確判斷，並每次都駁回其錯誤判斷？」她補充：「這不一定容易，但有辦法做到。」

為了建立理想的AI與人類團隊，全球的放射科醫師正努力學習如何與AI協作，以便他們和患者都能從中受益。這種協作需要處理無意識的偏見，這些偏見可能導致醫師過度依賴AI或不恰當地駁回其回應。因此，為了最佳地使用這些系統，放射科醫師需要了解AI的整體可靠性，同時仍能辨識其錯誤。

Langlotz說：「了解這些系統的運作方式確實有幫助，這樣你就能更好地理解演算法何時可能誤導你。」

無論是人類還是機器在判讀醫療影像時做出是/否的錯誤，都有兩種可能的錯誤方式：偽陰性（false negative）是錯過了疾病的存在，而偽陽性（false positive）則是在沒有疾病時卻看到了疾病。

對於罕見疾病，大多數疾病都相對罕見，任何診斷都傾向於產生大量的偽陽性，原因很簡單，它會遇到大量沒有疾病的人，從而有更多機會發出錯誤警報。醫師需要能夠識別並推翻這些偽陽性，同時仍能正確識別機器相對罕見的正確診斷。過度相信機器的結果，無論是陽性還是陰性，被稱為自動化偏誤（automation bias）。

但避免接受偽陰性也同樣重要。例如，AI系統可能會在電腦斷層（CT）或磁振造影（MRI）掃描中錯過腦部實際存在的出血。過於信任這類疏忽被稱為自動化自滿（automation complacency）。

Kottler說：「這兩者都是讓AI在不知不覺中改變放射科醫師懷疑程度的問題。」隨著時間的推移，人們可能會開始過度相信AI的答案。一項研究發現，即使是經驗豐富的放射科醫師，當他們的決策受到不正確AI預測的影響時，其乳房攝影判讀的準確性也會大幅下降。

另一方面，對AI的不信任問題則更為直觀。許多人自然會對新技術抱持懷疑態度，尤其是一種被指控可能搶走他們工作的技術，直到它證明其價值。此外，即使是可靠的AI系統也會犯下與人類錯誤不同的明顯錯誤，這無濟於事。Kottler說：「所以當你看到一個愚蠢的錯誤，一個愚蠢的偽陽性時，你會想，『嗯，AI當然不聰明』，然後你可能會因此不予理會。」

她建議透過長期監測放射科醫師與AI同事意見一致或不一致的程度來解決這些偏見，並在他們似乎過度偏向某一方時進行干預。Kottler說：「如果放射科醫師在一百次中有99次接受AI的結果，而我們知道它的準確性只有95%，我們就會去和那位放射科醫師談談。」

Kottler表示，僅僅告訴放射科醫師某個AI工具的準確性為95%是不夠的。培訓至關重要，讓醫師知道該尋找什麼以及何時尋找。例如，他們需要知道，如果患者在掃描儀中移動，某個AI工具在30%的掃描中會出錯。然而，根據2026年美國醫學會的一項調查，超過四分之一的受訪醫師表示他們沒有接受過任何關於AI的培訓，只有11%表示他們接受過大量培訓。

Kottler還主張AI工具應為每次評估提供信心估計，而非簡單的是/否回應，因為不能期望每位放射科醫師都了解多個AI系統的複雜細節。而且這些系統的數量和複雜性只會不斷增加。

Langlotz說：「我們才剛開始理解如何優化人機系統。」他補充說，對於今天的放射科醫師來說，重要的是要明白他近十年前反駁AI教父預測時所說的同一件事：AI不會取代放射科醫師。而是會使用AI的放射科醫師將取代那些不使用AI的放射科醫師。