AI輔助乳癌診斷之發展與挑戰：從效能評估到公共衛生意涵
文／國立臺灣大學-健康政策與管理研究所博士班 鄭昀瑄
一、乳癌診斷困境與人工智慧的興起
乳癌為全球女性最常見且致死率最高的癌症之一，不僅長期位居女性癌症發生率之首，也是導致女性癌症死亡的主要原因[1]。根據世界衛生組織（World Health Organization, WHO）統計，2020 年全球新增乳癌病例數已超過230萬例，約佔所有癌症病例的 11.7%[2]。其高發生率與死亡率凸顯出建立更有效早期篩檢策略的急迫性。
近年來雖然乳癌治療技術持續進步，但降低死亡率的關鍵仍在於早期診斷。乳房攝影（mammography）長期被視為標準化的篩檢工具，然而在臨床實務上仍面臨諸多挑戰。首先，對於乳腺密度較高的女性，其檢出敏感度有限；其次，不同放射科醫師之間的影像判讀結果常常會有所差異；再者，龐大的篩檢需求進一步加重醫療人力的負擔。上述限制使得如何提升乳癌診斷的準確性與效率，成為公共衛生與臨床醫學研究亟待解決的重要課題[3]。
在此背景下，人工智慧（Artificial Intelligence, AI）近年已逐漸被應用於乳癌篩檢與診斷工作之中。憑藉深度學習模型之發展，AI能自大量的影像資料中學習腫瘤病灶特徵，進而提供更快速且具一致性的判讀結果。2025年已有兩篇相關之系統性文獻回顧發表，分別從不同角度驗證AI在乳癌領域的價值，其中一篇聚焦於AI在乳房攝影檢測之診斷效能[4]，另一篇則探討AI在診斷與預後整合上的應用潛力[5]。這些最新的研究成果，不僅補充了既有的證據基礎，也為未來乳癌防治策略與政策發展提供了重要啟示。
二、人工智慧在乳房攝影診斷的角色轉變
根據Abeelh等學者（2025）之系統性文獻回顧指出，人工智慧在乳房攝影篩檢中的表現已達到可與專業放射科醫師相當的水準。研究指出，AI輔助判讀能維持高敏感度與特異度，同時有效降低不必要的回診（unnecessary recalls），進而減少受檢女性的焦慮與額外的醫療成本。此外，AI亦能顯著減輕醫師的工作負荷量，可自動篩除約17%至91%的正常影像，使放射科醫師得以將精力集中在較複雜或具高疑慮之病例，此效益對於醫療人力資源有限之地區尤具重要性。部分大型臨床試驗結果更顯示，AI單獨判讀之表現已超越傳統的雙醫師讀片模式，反映其角色正逐步由輔助工具轉向臨床決策之核心。然而，作者亦指出，部分研究發現AI在提升敏感度的同時，可能伴隨假陽性率增加，導致額外的回診或檢查[4]。因此，人工智慧輔助篩檢的實際價值，不僅取決於演算法本身之精進，亦仰賴臨床應用中閾值（threshold）的合理設定，以及與專業醫師判斷之互補性。
三、人工智慧在乳房攝影的應用價值與挑戰
Ciurescu等人（2025）的研究亦指出，AI在乳房攝影中展現高度臨床價值。AI模型的診斷準確度（AUC值最高可達0.93）可媲美專業放射科醫師，並能有效降低誤判，特別是在乳腺密度較高族群中改善檢出率，以補足傳統篩檢的不足。在工作流程方面，AI可縮短放射科醫師約17%至91%的判讀時間，並具備病例分流功能，能優先標示可疑影像或排除部分正常片，從而減輕臨床工作負擔。此外，部分研究已探討AI在預測腫瘤復發風險與治療反應之應用，顯示其潛力已逐漸延伸至個別化風險分層與長期疾病管理。然而，AI相關應用仍面臨挑戰，例如部分醫療機構已開始向患者收取額外的AI分析費用，而此類費用通常不在保險給付範圍之內，恐進一步加劇醫療資源分配的不均[5]。
四、AI於乳癌診斷的公共衛生意涵與未來展望
人工智慧在乳癌篩檢與診斷中展現出提升敏感度、減輕醫療人力負擔與優化臨床決策之潛力。然而，其應用亦伴隨多重倫理與社會挑戰，分別體現在個人、技術、組織與社會等不同層面。在個人層面上，臨床人員可能缺乏足夠教育訓練，而患者亦可能對AI技術存有信任不足；在技術層面上，演算法偏誤與資料代表性不足可能限制其準確性與普遍性；在組織層面上，審核與監管機制尚未健全，團隊組成也欠缺多元性；在社會層面上，醫療不平等及相關政策與法規的不完備，則可能進一步影響其公平與可及性[6]。
因此，未來在公共衛生領域推動AI應用時，應將「公平性」與「信任」作為核心原則。一方面需確保訓練資料具備多元與代表性，避免演算法加劇既有的種族、性別或社會經濟差距。另一方面，應建立透明且可追溯之監管機制，以保障臨床安全與問責。同時，跨領域合作亦至關重要，需整合臨床端、技術端、政策與病友團體之觀點，共同建構以人為本的發展框架。AI在乳癌診斷與治療的進展，不僅屬於技術革新，更涉及公共衛生與倫理的平衡，唯有持續強化制度設計並促進多方參與，方能確保AI真正成為促進全民健康福祉的契機，而非成為造成新型態健康不平等之來源。
※參考文獻
1. Feng Y, Spezia M, Huang S, et al. Breast cancer development and progression: Risk factors, cancer stem cells, signaling pathways, genomics, and molecular pathogenesis. Genes & diseases 2018;5:77-106.
2. Bai S, Nasir S, Khan RA, Arif S, Meyer A, Konik H. Breast cancer diagnosis: a comprehensive exploration of explainable artificial intelligence (XAI) techniques. arXiv preprint arXiv:240600532 2024.
3. Shifa N, Saleh M, Akbari Y, Al Maadeed S. A review of explainable AI techniques and their evaluation in mammography for breast cancer screening. Clinical Imaging 2025;123:110492.
4. Abu Abeelh E, Abuabeileh Z. Screening Mammography and Artificial Intelligence: A Comprehensive Systematic Review. Cureus 2025;17:e79353. doi: 10.7759/cureus.79353.
5. Ciurescu S, Ciupici-Cladovan M, Buciu VB, Ilaș DG, Cîtu C, Sas I. Systematic Review and Meta-Analysis of AI-Assisted Mammography and the Systemic Immune-Inflammation Index in Breast Cancer: Diagnostic and Prognostic Perspectives. Medicina (Kaunas) 2025;61. doi: 10.3390/medicina61071170.
6. Dantas C, Cabrita M, Midão L, Carvalho AS, Costa E. Categorising challenges and solutions towards ethical AI in breast cancer treatment: a rapid umbrella review complemented by participatory methods. AI and Ethics 2025:1-16.
----------------------------------------------------------------------
公衛四季：臺大公衛電子報第019期【2025秋季號】文章 延伸閱讀
分享到:
