長庚醫院舟狀骨骨折偵測AI：智慧醫療讓診斷更精準、更有溫度

科技守護，助患者擺脫隱形骨折的困擾

21歲的籃球校隊員阿傑，在一次激烈的比賽中意外摔倒，手掌撐地後感覺手腕隱隱作痛。急診檢查後，X光影像顯示正常，醫師初步判斷只是輕微扭傷，讓他回家休養。但幾週過去，疼痛仍未消退，直到再次求診並進行進一步影像檢查，才確診為舟狀骨骨折，一種常見卻極易被忽略的腕部骨折。

另一邊，65歲的李先生在家中不慎跌倒，當下只是覺得手腕酸痛，便未放在心上。直到數月後手腕活動受限，他才到醫院檢查，這時才發現舟狀骨已發生不癒合問題，甚至影響腕關節功能。若能早點發現，他的復原過程將會輕鬆許多。

這些案例並不少見，舟狀骨骨折因為骨折線細微，可能發生少數比例病例在初診時被誤判為正常，延誤治療可能導致骨折不癒合、腕關節退化，甚至影響手部功能。為了解決這個問題，林口長庚醫院自行開發「腕部舟狀骨骨折偵測AI（Scaphoid Fracture Detection Software）」，透過人工智慧輔助醫師判讀X光影像，提高骨折檢出率，確保患者能在黃金治療期內獲得最佳醫療處置。

圖1、林口長庚醫院自行開發「腕部舟狀骨骨折偵測軟體」產品說明書(截圖)

AI如何發現人眼難察覺的骨折線？

傳統上，醫師診斷舟狀骨骨折主要依靠X光影像，但由於舟狀骨位於腕部深處，骨折線可能極為細微，甚至在特定角度的影像中幾乎無法辨識。為了克服這一挑戰，長庚醫院的AI模型採用深度學習技術，從影像細節中發掘潛在骨折線。

軟體採用閉鎖式(Locked)演算法設計，利用深度學習卷積神經網路(Convolutional neural network)，偵測腕部舟狀骨骨折與否。使用先進的深度學習演算法，主要採用EfficientNet Architecture。這些演算法使用大量的手部Xray影像，其中包含舟狀骨骨折及沒有骨折的樣本進行訓練，其中舟狀骨骨折判讀的金標準為CT/MRI影像報告結果及三位手外科醫師的共識決。

圖2、舟狀骨影像判讀示意(資料來源：林口長庚醫院)

這套AI的訓練過程包含幾個關鍵原則，包含資料蒐集與預處理嚴謹：AI模型使用數萬張標記過的腕部X光影像進行訓練，這些影像來自不同年齡層、不同手腕角度，確保AI學習到各種可能的舟狀骨骨折型態，確保代表性與公平性原則。此外，CNN模型會逐層分析影像，進行特徵提取，從基本邊緣特徵到更細微的骨質變化，並透過特殊機制加強對細微骨折線的關注，避免遺漏。

圖3、腕部舟狀骨骨折偵測軟體輔助判定結果呈現範例(資料來源：林口長庚醫院)

這套系統的應用，讓像阿傑這樣的運動員能夠在受傷當下即獲得精準診斷，避免復健期延長，也讓像李先生這樣的年長者能及早發現骨折，減少腕關節功能受損的風險。

負責任AI管理機制導入，避免潛在風險？

AI雖然能有效輔助診斷，但仍須使用適合AI特性的持續監管機制，避免發生以下潛在風險：

未即時監測，錯誤累積影響診斷準確度
AI的診斷效能會隨時間、設備、患者族群變化而改變，若沒有九大透明度指標（如準確率、偏誤分析、穩定性等）持續監測，一旦偏離標準，可能導致誤判率上升，卻無人察覺，影響臨床決策。

未建立AI停用與應變機制，影響醫療安全
AI應用於醫療場域時，若未建立即時停用與應變流程，當系統異常或診斷準確度下降時，臨床單位無法迅速應對，可能導致誤診風險升高，影響患者治療時機。

因此，負責任AI的落地管理，不僅關乎技術應用，更是確保醫療安全與品質的重要基石。透過完善的監測機制、透明標準與生命週期管理，才能讓AI真正成為臨床診斷的可靠夥伴，而非潛在風險來源。

負責任AI，讓智慧診斷更安全、更值得信賴

長庚醫院為了確保這項AI技術能真正幫助患者，而非成為風險來源，在導入過程中建立了一套完整的「負責任AI管理機制」，讓AI發揮最大效能，同時確保醫療安全。

透明化與可解釋性機制：醫師能查看AI判讀的「熱圖」，清楚理解AI為何標記特定區域，避免黑箱決策。

AI輔助協作決策模式：AI提供輔助判讀，但最終診斷仍由醫師決定，確保專業判讀與AI智慧的最佳結合。

 AI安全監管機制：由跨專科專家組成的監管小組，定期審查AI效能，確保技術不偏離醫療標準。

透過這些機制，AI不僅提升舟狀骨骨折的診斷率，還確保了患者安全與醫療品質，真正實現「智慧診斷，精準治療」的願景。