摘要： 牛津大學 Radcliffe 醫學系在 2026 年 4 月初公布一款 AI 工具，可從例行 CT 預測至少五年後的心衰竭，訓練資料來自超過 7 萬名匿名病患，整體準確率約 86%，最高風險層的發病機會約是一般人的 20 倍。模型讀取心臟外圍脂肪的紋理變化，因此理論上能沿用既有胸部 CT，不需要新掃描協定或額外顯影劑。實際落地仍需前瞻驗證、臨床與政策決定閾值，並避免把常規 CT 當成零風險普篩。
2026 年 4 月初，牛津大學 Radcliffe 醫學系（Radcliffe Department of Medicine）公布了一款新工具：讓 AI 讀取例行 CT 掃描，在受檢者真正罹患心衰竭之前至少五年就給出預測。訓練材料是超過 7 萬名病患的匿名 CT 影像，模型整體預測準確率約 86%，而落入最高風險層的人，日後真的發生心衰竭的機會大約是一般人的 20 倍。
這項研究真正的價值，不在於又添了一個 AI 分類器，而在於目標本身挑得準：一種臨床上極難早期察覺、拖到晚期後果又極沉重的疾病。心衰竭等到確診，心臟往往已蒙受實質損傷；唯有提前五年就握有風險訊號，預防醫學才有發揮的餘裕。
模型讀的是脂肪，而非心臟本身
訊號從哪裡來，是整件事最耐人尋味的一環。模型盯著看的，並非心臟腔室或血管幾何結構上的改變，而是心臟外圍脂肪組織出現了什麼樣的紋理變化。醫學影像判讀向來把脂肪視為「旁觀組織」，多數時候根本不看它；這項研究卻讓它化身為承載預後資訊的媒介。落到技術面，這代表模型吃的輸入在既有影像裡本來就存在——掃描協定不必另訂、顯影劑不必多打，理論上任何一次胸部 CT 都能順帶算出一個風險評分。
這恰好呼應了近幾年 AI 醫學影像的整體走向：最有價值的發現，往往不在「看得比醫師更準」，而在「看見醫師向來不看的地方」。
「提前五年」這個數字為何要緊
心衰竭的病程是漸進的：從心臟踏入失代償，到症狀明顯浮現，中間存在一段靠藥物與生活型態介入仍有機會扭轉走向的窗口期。麻煩在於，目前幾乎沒有可靠的篩檢手段守在這段窗口前——等病人因為喘、因為水腫而走進診間，窗口多半已經闔上一半。若有工具能在五年前就以 86% 的準確率標出高風險族群，介入的起點便整個往前移。再疊上 20 倍風險倍數帶來的分層能力，它要做的不是取代診斷，而是回答篩檢層面的問題：「誰該被優先追蹤」。
從論文走到病房，還隔著幾道關卡
話雖如此，這類模型要推進臨床，眼前仍有幾道現實考驗。其一，訓練資料取自現成的 CT 影像庫，模型因此連帶繼承了當年收集資料時的族群偏差——一旦用在訓練族群以外的人身上，表現如何得靠前瞻性驗證來回答。其二，「預測準確率 86%」是族群層級的成績；下放到單一病人的決策時，偽陽性與偽陰性的代價並不對等——誤把低風險者標為高風險，付出的是焦慮與追蹤成本；漏掉真正的高風險者，賠上的卻是整個預防窗口。閾值最終設在哪裡，是臨床與政策層面的決定，不只是建模問題。其三，常規 CT 並非零風險的普篩工具（輻射劑量與費用都得計入），比較可行的落地方式是「搭便車」：病人只要因為別的理由拍了胸部 CT，就順便多帶走一個心衰竭風險分數。
這項研究給 AI 醫療產品的兩點啟示
第一，沉默生物標記（silent biomarkers）是 AI 醫學影像裡最大的一片未開採礦藏——既有檢查中沒人動用的訊號，配上 retrospectively 就能驗證的大量歷史資料，讓這類研究的驗證成本遠低於那些必須從頭收集資料的路線。第二，風險分層型產品應該把自己定位成「排程器」而非「診斷器」：它的工作是告訴醫療體系，哪些人需要更早、更密集地追蹤。採取這種定位，監管路徑與責任邊界都會比直接下診斷的產品清楚許多。