SMC 資料庫

議題背景：

3月14日的投書〈台灣淪全球「肺葉切除王國」的慘痛鬧劇〉，主張台灣近年推動肺癌篩檢，可能造成過度醫療，也讓民眾承擔不必要的風險。該文指出，肺癌篩檢以低劑量電腦斷層（LDCT）找出肺部小結節，切除後可能發現無任何癌變。從2006年到2024年，肺葉切除手術從每年2,000人增長到26,444人，推估這18年間總計可能有15萬至20萬名健康民眾接受不必要的肺葉切除手術。

該文刊出後，引起醫界與社會討論。有醫師受訪時表示，該文章並未完整反映肺癌防治的實際情況，且肺癌早期無明顯症狀，越早發現存活率越高。另有醫師受訪指出，臨床上有明確的國健署肺結節處置指引，若低劑量電腦斷層篩檢出大於0.8公分的結節，才會考慮採用手術切除。

健保署表示，目前正在積極發展人工智慧（AI）影像判讀技術，將導入癌症篩檢與檢測流程，希望在AI輔助下，大幅減少非惡性肺結節切除案例。

肺部結節會變成肺癌嗎？AI如何協助醫學影像的判讀？AI應用有什麼限制呢？

台灣科技媒體中心邀請專家提供觀點，說明肺部結節的處置以及AI如何協助癌症檢測。

新聞連結：

台灣淪全球「肺葉切除王國」的慘痛鬧劇 （上）

台灣淪「肺葉切除王國」？學者質疑20萬人白挨刀…楊泮池：LDCT篩檢讓82％肺癌0＋1期就發現

台灣淪「肺葉切除王國」醫反駁：過度推論製造恐慌

LDCT揪出一堆肺結節！健保署推AI把關 避免「不該切卻被切」

專家怎麼說？

2026年3月22日

國立台灣大學醫學院附設醫院院長 余忠仁

1. 台灣肺癌的發生率與死亡率趨勢為何？早期肺癌發生率與整體死亡率有關係嗎？

肺癌在台灣的標準化發生率與死亡率均位居十大癌症之首 。雖然肺癌連續21年蟬聯台灣十大癌症死因之首，而且死亡總人數因人口老化而增加，但「標準化死亡率」在近年已出現緩步下降趨勢。這歸功於標靶藥物、免疫療法的普及以及多專科團隊診治的進步。目前趨勢顯示，非經肺癌篩檢所發現的個案約5成為晚期（3、4期），而第4期五年存活率僅約1成 ；相對地，透過LDCT篩檢出的個案約8成屬早期（0、1期），而第1期存活率可達9成 。因此，提高早期肺癌的檢出率，能直接有效提高整體肺癌五年存活率 。受惠於國健署自2022年起推動的低劑量電腦斷層 （LDCT） 篩檢補助，越來越多第一期肺癌被發現，這也導致了肺癌發生率在近期仍呈現上升趨勢（主要為女性肺癌），預期未來能有助於降低晚期肺癌病例數，更能降低標準化死亡率。 

2. 肺部結節一定是癌症嗎？從發現結節到發展成具威脅性的惡性腫瘤，通常需要多久？

肺部結節並不等於肺癌，許多是良性陳舊病灶或發炎所致 。從微小結節發展為具威脅性的惡性腫瘤，時間因人而異，部分生長緩慢的病灶臨床意義有限 。關鍵在於透過規律篩檢觀察結節的型態與大小變化，而非一見結節就判斷為惡性 。

3. 臨床上如何判斷一個結節該「立即手術」還是「持續觀察」？

臨床醫師依據結節的大小、密度（如實心或毛玻璃狀）及生長速度來評估 。針對微小或具良性特徵的結節，標準做法是定期影像追蹤（持續觀察） ；若結節大於0.8公分且具惡性特徵，或在追蹤過程中顯著增大、密度改變，才會進一步評估切片或手術介入 。相關影像追蹤頻率或是否需積極處理，可以參考國健署出版『低劑量電腦斷層肺癌篩檢指引』。 

4. 國健署現行的篩檢指引中，對於不同風險的結節建議處置程序為何？如何避免病人在高度焦慮下做出非必要的手術決定？

國健署指引建議，低風險結節採半年至2年不等的影像追蹤，高風險者則由專家諮詢或進一步檢查 。此指引參酌國際實證（如 NLST、NELSON）與本土研究（TALENT），具科學合理性 。為避免焦慮導致過度手術，醫界強調「醫病共享決策」，由醫師詳釋結節分級與追蹤風險，讓病患了解「影像追蹤」亦是安全且標準的治療環節 。

5. 現行有哪些機制可以防止將「非典型增生」或「良性結節」誤判為必須切除的惡性腫瘤？這些機制在台灣的執行現況如何？

台灣現行透過「標準化判讀分級」與「多專科團隊會診」來防止誤判 。許多醫院已導入AI輔助系統精準測量結節體積與密度，協助醫師判別非典型增生與惡性腫瘤 。目前全台已有214家醫院與國健署合作，嚴格遵循臨床指引執行，確保病患在提升早期診斷效益的同時，降低不必要的侵入性醫療風險 。

2026年3月20日

臺北醫學大醫學院放射診斷學科特聘教授 陳震宇

近期低劑量電腦斷層（LDCT）肺癌篩檢，引發「過度診斷：會不會發現太多、反而造成不必要手術」的討論。其實，人工智慧（AI）正好可以在這裡發揮關鍵作用，降低「不該開刀卻被開刀」的風險。健保署目前也正積極發展AI判讀系統，希望讓篩檢更精準、也更安心。

那麼，AI是怎麼幫忙醫師診斷的？簡單來說，AI可以快速幫醫師「先審視一遍」LDCT大量影像，找出可疑肺結節，還可以計算肺結節體積，有助於追蹤時比較，節省診斷醫師大量時間。更進一步，它不只找肺結節，還能在同一次檢查中，同時偵測像是冠狀動脈鈣化或骨質密度異常等問題，讓一次掃描發揮更多健康價值。

目前AI的準確度已經相當不錯，在臨床上能幫助醫師提高效率、減少疏漏。不過，AI並不是萬能，它的判讀仍可能受到資料偏差影響，也無法取代醫師對病人整體狀況的判斷。因此，最安全的方式是由醫師搭配AI結果一起判讀，也就是「人機協作」。

總結來說，AI不是取代醫師，而是成為輔助工具。只有透過專業醫師把關，才能真正提升篩檢品質，兼顧效率與安全。

利益聲明：作者為大學教授、影像診斷專科醫師，同時也曾創辦兩家影像人工智慧新創公司。

2026年4月8日

臺北醫學大學管理學院大數據科技及管理研究所所長 張詠淳

1. AI如何協助醫學影像診斷？可以輔助的內容有什麼？

醫療影像涵蓋X光、超音波、電腦斷層（CT）與磁振造影（MRI）等多種類型，而AI在臨床應用的主要角色，是協助醫師從大量影像中更快速地辨識可能異常之處，並提供初步的量化參考。以胸部X光為例，AI可自動標示疑似肺炎、肺結節或氣胸的區域[1]；在乳房攝影中，AI能協助偵測細微鈣化點或可疑腫塊，提升乳癌偵測率[2]；在腹部超音波檢查中，AI 則可輔助辨識肝臟、腎臟等器官的異常病灶[3]；至於常見的牙科全口X光影像，AI也已可用於協助偵測齲齒、骨質流失與根尖病變等問題[4]。由此可見，AI在臨床上的較適切定位，應是作為「第一道輔助篩檢」工具，協助醫師在高工作負荷情境下優先辨識並處理高風險個案，降低因疲勞或影像量過大而造成遺漏的可能性，而非取代醫師進行最終診斷。

2. 目前AI的準確度可以投入臨床嗎？有實際輔助案例嗎？

AI在醫療影像偵測的靈敏度（Sensitivity）方面整體表現良好，但特異度（Specificity）仍稍顯不足，相對容易將正常病患誤判，需仰賴醫師進一步確認。因此，目前較主流的看法，是將AI定位為臨床決策中的「輔助工具」，較適合用於初步篩檢與風險提示，後續仍由醫師負責最終判讀與臨床判斷。不過，即使已建立出臨床準確度極高的AI模型，如何將其妥善整合至既有醫療流程，仍需審慎規劃。若未充分評估實際使用情境、作業流程與導入方式，便貿然結合臨床實務，未必能帶來預期效益，反而可能增加醫護人員的工作負擔。實際應用案例如，英國NHS在肺癌篩檢流程中已將AI輔助系統納入常規作業，放射科醫師也指出，這類系統有助於提升肺結節偵測效率並加快報告撰寫速度[1]。另一個代表性例子是AI導入中風診斷的臨床情境。美國四家醫學中心進行的隨機對照試驗顯示，AI可自動偵測腦部大血管阻塞並即時發送警示，顯著縮短病人自入院到接受取栓治療的時間，有助於把握急性中風的黃金治療期[5]。

3. AI輔助有哪些限制？要如何找出AI判讀上的失誤？

目前AI在醫療影像應用上最受關注的限制之一，是它較擅長回答「影像中看到了什麼」，卻較難進一步精準判斷「這項發現是否需要介入治療」。以肺結節為例，AI或許能協助偵測結節的存在、位置與大小，但對於其未來生長速度或惡性風險的可靠判斷，仍有相當限制；然而，這些往往才是臨床決策中更關鍵的問題[6]。此外，現行多數AI系統在開發過程中，通常是以特定族群、特定醫療機構或特定設備條件下的資料進行訓練，因此當模型實際套用到台灣不同醫院、不同儀器設備或不同病人族群時，表現未必能維持一致，這也是臨床導入時必須審慎面對的重要挑戰[7]。若要及早發現AI判讀上的失誤，關鍵仍在於建立持續性的本土驗證與回饋機制，例如定期比對AI初步判讀結果與術後病理報告、臨床追蹤結果或最終診斷，以辨識是否存在需要校正的系統性偏誤。此外，AI的輸出結果也應具備一定程度的可解釋性，使醫師能理解其判斷依據，而非只能被動接受黑箱式結論。從長遠來看，AI若要提供更具臨床價值的輔助，仍須進一步整合影像以外的多元臨床資料，才能更精準地進行風險評估，在協助診斷的同時，也減少不必要的醫療介入。

參考資料：

1. Gutiérrez Alliende, J., et al., The present and future of lung cancer screening: latest evidence. Future Oncology, 2025. 21(14): p. 1735-1743.
2. Eisemann, N., et al., Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. Nature medicine, 2025. 31(3): p. 917-924.
3. Chaiteerakij, R., et al., Artificial intelligence for ultrasonographic detection and diagnosis of hepatocellular carcinoma and cholangiocarcinoma. Scientific Reports, 2024. 14(1): p. 20617.
4. Revilla-León, M., et al., Artificial intelligence applications in restorative dentistry: A systematic review. The Journal of prosthetic dentistry, 2022. 128(5): p. 867-875.
5. Martinez-Gutierrez, J.C., et al., Automated large vessel occlusion detection software and thrombectomy treatment times: a cluster randomized clinical trial. JAMA neurology, 2023. 80(11): p. 1182-1190.
6. Schreuder, A., et al., Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: ready for practice? Translational lung cancer research, 2021. 10(5): p. 2378.
7. Yang, Y., et al., The limits of fair medical imaging AI in real-world generalization. Nature medicine, 2024. 30(10): p. 2838-2848.