執行醫院(主責)：亞東醫院

執行醫院(合作)：義大醫院、台東馬偕

委託機構：雙和醫院

國際登錄連結(ClinicalTrials.gov)及案件編號：無

整體進度(案件申請中/評估中/執行中/已結案)：執行中

本研究旨在評估多院資料導入對腦動脈瘤人工智慧偵測模型效能之影響，並驗證模型於跨院資料中的泛化能力與臨床應用潛力。研究初期之模型僅以雙和醫院資料進行訓練；於計畫執行階段，再加入亞東紀念醫院、義守大學醫院及馬偕紀念醫院三家醫院之TOF MRA資料共600筆重新訓練模型，並以多院測試集進行外部驗證。整體測試資料共3,216例，其中包含920例陽性個案與1,254顆腦動脈瘤。
研究以FROC曲線及CPM（Competition Performance Metric）作為主要 lesion-level 評估指標，並以Patient-level AUROC作為病人層級辨識能力分析。結果顯示，加入多院資料後，整體外院測試集之CPM由0.545顯著提升至0.832（95% CI: +0.269～+0.304，p<0.001），雙和醫院測試集亦由0.661提升至0.840。各外院資料之偵測效能均有明顯改善，其中亞東醫院由0.468提升至0.820、義守醫院由0.678提升至0.864、馬偕醫院由0.583提升至0.889，顯示多院訓練可有效提升模型之跨院泛化能力。
Patient-level分析亦呈現相似結果，整體AUROC由0.565提升至0.870（95% CI: +0.282～+0.330，p<0.001），顯示模型於病人層級之辨識能力大幅增強。次分群分析顯示，模型對於大於7 mm動脈瘤具有最高敏感度，而2–3 mm小型動脈瘤之偵測能力亦維持良好表現。依位置分析，內頸動脈（ICA）與前大腦動脈（ACA）之敏感度較高，而中大腦動脈（MCA）因TOF MRA影像物理限制而相對較低。
偽陰性分析顯示，M1主幹段動脈瘤為主要漏判來源；偽陽性則多集中於ICA siphon段粥狀動脈硬化變化，顯示部分非動脈瘤性血管結構與小型囊狀動脈瘤影像特徵相似。整體而言，本研究證實多院資料整合可顯著提升AI模型於不同醫療場域之穩定性與泛化能力，具備臨床輔助篩檢與跨院部署之應用潛力。