牛津大學 Radcliffe 醫學系（Radcliffe Department of Medicine）在 2026 年 4 月上旬發表一項新工具：用 AI 分析常規 CT 掃描，提前至少五年預測受檢者未來是否會發生心衰竭。模型以超過 7 萬名病患的匿名 CT 影像訓練，整體預測準確率約 86%，而被判為最高風險的族群，日後發生心衰竭的機率約為一般人的 20 倍。
這類研究的價值不在「又多一個 AI 分類器」，而在它選了一個臨床上極難早期發現、後果卻極嚴重的目標。心衰竭確診時往往已有實質損傷，能提前五年拿到風險訊號，預防醫學才有施展空間。
模型看的是脂肪，不是心臟本體
最值得注意的是訊號來源。模型偵測的不是心臟腔室或血管的幾何變化，而是心臟周圍脂肪組織的紋理變化。脂肪在醫學影像裡長期被當成「旁觀組織」，大部分影像判讀直接略過；這項研究把它變成預後資訊的載體。技術上這代表模型的輸入是既有影像裡就存在的資訊——不需要新的掃描協定、不需要額外顯影劑，理論上任何一次胸部 CT 都能順手產出風險評分。
這也是近年 AI 醫學影像的共同趨勢：價值最高的發現，往往不是「看得比醫生準」，而是「看見醫生從不看的地方」。
為什麼「提前五年」是關鍵數字
心衰竭是漸進性疾病，從心臟開始失代償到出現明顯症狀，中間有一段可以被藥物與生活介入扭轉的窗口。問題是這個窗口目前幾乎沒有可靠的篩檢手段——等病人因喘、因水腫走進診間，窗口多半已經關上一半。一個能提前五年、以 86% 準確率標記高風險族群的工具，把介入時點整個往前拉。配合 20 倍風險倍數的分層能力，它能做的不是取代診斷，而是回答「誰該被優先追蹤」這個篩檢問題。
從研究到病房的距離
不過，把這類模型推進臨床仍有幾道現實關卡。第一，訓練資料來自既有 CT 影像庫，代表模型繼承了資料收集時的族群偏差——在訓練族群以外的表現需要前瞻性驗證。第二，「預測準確率 86%」是族群層級的數字，落到個體決策時，偽陽性與偽陰性的代價不對稱：把低風險者標成高風險，代價是焦慮與追蹤成本；漏掉真正的高風險者，代價是失去預防窗口。閾值怎麼定，最終是臨床與政策問題，不只是模型問題。第三，常規 CT 並非無風險的普篩工具（輻射劑量與成本都是考量），落地路徑更可能是「搭便車」：凡是因其他原因照了胸部 CT 的病患，順帶產出心衰竭風險分數。
對 AI 醫療產品的啟發
兩個啟示。其一，沉默生物標記（silent biomarkers）是 AI 在醫學影像裡最大的未開採礦脈——既有檢查中未被使用的訊號，加上 retrospectively 可驗證的龐大歷史資料，讓這類研究的驗證成本遠低於需要新資料收集的路線。其二，風險分層型產品的正確定位是「排程器」而非「診斷器」：告訴醫療系統誰需要更早、更密集的追蹤。這種定位下的監管路徑與責任邊界，都比直接給出診斷的產品清晰。
參考來源
- New AI tool can predict heart failure at least five years before it develops — University of Oxford Radcliffe Department of Medicine
- AI News 132: Week Ending April 10, 2026 — Ethan Holland
本文由 AI 協助自上述來源整理，經人工審核後發布。