2026年亞太骨質疏鬆人工智慧（AI）應用共識聲明簡介

康琳 、張瑋庭

骨質疏鬆症在亞太地區、甚至於全世界，是一項日益嚴峻的公共衛生挑戰，預計到2050年，全球將有超過半數的骨質疏鬆性骨折發生於亞洲。然而，受限於許多發展中國家與偏遠地區因為雙能量X光吸收儀（Dual-energy X-ray absorptiometry，簡稱DXA或DEXA）設備及專業人力的極度匱乏，使得骨質疏鬆疾病在臨床上長期處於嚴重的診斷不足與治療不足的狀態。近年來，人工智慧（AI）深度學習算法在骨密度（BMD）估算與風險預測上展現出許多發展潛力，但由於市面上缺乏統一的驗證規範，盲目採用未經證實的AI工具恐導致醫療品質參差不齊、數據偏見甚至誤診。 

為此，來自台灣、日本、韓國、新加坡、澳洲及等亞太地區多國及英國和美國的多學科專家小組，於2025年10月18日在成大醫院家庭醫學科吳至行教授的領導下，在台北召開了實體共識會議，並依據ACCORD （Advocating for Consensus and Cooperative Research for Orderly Development）的報告框架，最終針對放射影像（例如：X光片、CT及DXA）的AI應用，正式達成了12項核心共識聲明，旨在為亞太地區提供一份兼顧臨床安全、技術透明與醫療平權的指引。 以下就將「2026年亞太骨質疏鬆AI應用共識聲明」做一簡要說明：

AI的臨床定位與應用範疇（共識聲明1–3）

共識明確將AI定位為「機會性篩檢（Opportunistic Screening）的輔助工具」，而非獨立的診斷儀器。這意味著骨質疏鬆症的最終確診，仍必須嚴格遵循國際與各國臨床指南（如DXA T值 ≤ -2.5或存在脆弱性骨折）。 

在實務應用中，AI應採取「重新利用現有醫療影像」的策略。醫師應利用患者因其他臨床主訴（如因咳嗽拍攝胸腔X光、因腹痛拍攝電腦斷層CT、或牙科全景X光片與脊椎、髖部影像等）已存在於系統中的影像進行骨密度估算或椎體骨折偵測。這種作法能在不增加額外輻射劑量與醫療成本的前提下，擴大篩檢覆蓋率，主動找出隱藏的高風險個案。此外，共識的涵蓋範疇亦包含DXA工作流程品質控制、AI引導的治療決策支持，以及前瞻性的穿戴式科技（如步態與跌倒風險監測），但明確將非電離輻射模態（如超音波QUS和無線電超音波多重光譜技術REMS）排除在本次範疇外。 

技術透明度、模型驗證與臨床整合（共識聲明4–7）

為克服AI「黑盒子」所引發的信任危機與效能Degradation（弱化）問題，共識建立了嚴格的技術與報告標準： 

1. 強制性外部驗證： AI算法在單一中心開發後，必須在亞太區域內進行獨立、多中心的外部臨床驗證，以確保模型面對不同族群（如不同性別、族裔）和不同品牌影像設備時的泛化能力。 

2. 全面的效能報告： 研究與產品開發報告不可僅提供單一「準確度」指標，必須依據TRIPOD-AI和CONSORT-AI等標準，完整披露AUC、AUPRC、敏感度、特異度及校準度。 

3. 可解釋人工智慧（XAI）原則： AI系統必須提供視覺化解釋（如標示出骨質流失區域的熱圖）、信心分數，並清楚定義系統誤差（準確度）與隨機誤差（精確度）。 

4. 與風險計算器整合： 當臨床上缺乏DXA時，AI估算的骨密度可用於輔助FRAX®等骨折風險計算器，但前提是該AI模型必須先針對當地人口的骨折流行病學進行校準，且臨床醫師需謹記AI估算值誤差大於DXA，絕不可因此延誤高風險患者的常規轉診。 

值得注意的是，AI篩檢的邊際效益在不同地區有所差異。在DXA密度極低的資源匱乏地區，AI具有極高回報率；但在DXA高度普及的國家（如日本、南韓），盲目布署常規AI機會性篩檢可能帶來高假陽性率與重疊檢查的風險，需進行在地的衛生技術評估。 

治理、平權與上市後監測（共識聲明8–9, 11–12）

在亞太地區複雜的醫療生態環境中，實施AI面臨著數位落差、數據隱私與法規差異等重重挑戰。共識對此提出了相應的防護機制： 

• 數據主權與隱私保護： AI系統必須嚴格遵守當地的數據隱私法（如PDPA、GDPR）。針對跨境合作研發時的法律限制，共識推薦採用聯邦學習（Federated Learning）架構，僅在各院端進行本地訓練並共享模型參數，而不傳輸原始患者影像。 

• 消除平權壁壘： 為防止AI加劇城市醫學中心與偏鄉診所之間的健康不平等，AI工具的部署應優先向基層醫療和醫療服務不足的偏遠地區傾斜。技術上需開發輕量化、支持雲端或離線運算，且具備多語言介面的操作系統。 

• 互操作性與上市後監測： AI工具必須無縫、隱性地整合入現有的PACS（影像儲傳系統）與HIS（醫院資訊系統）中，避免增加醫師額外的工作負擔。同時，必須實施強制性的上市後監測，以偵測因人口特徵改變而產生的模型「效能漂移」。共識中特別強調應建立「臨床醫生反饋閉環」，當醫師在臨床上發現AI篩檢與隨後進行的DXA確診結果存在顯著嚴重不一致時，應主動向廠商回報，以利AI模型進行持續的優化與再訓練。 

臨床培訓與真實世界證據（共識聲明10）

在探討醫學教育與臨床培訓時，共識中提出了「公車司機與變速箱」的生活化比喻：臨床醫生不需要成為深諳複雜算法與數學公式的數據科學家，但必須學會如何熟練駕駛這輛名為AI的公車。結構化的臨床培訓應著重於實務操作能力：如何判讀AI產出的信心分數、如何識別可能導致算法出錯的圖像假影，以及如何將AI結果作為「風險警示」而非診斷結論與患者進行溝通，藉此確保人類醫師的臨床判斷威信不會被剝奪。 

最後，共識中強調AI的臨床實用性必須透過前瞻性研究和真實世界證據進行反覆確認。評估AI是否真正帶來效益，應追蹤以下四大核心終點指標： 

1. 診斷率的增量變化： 每1000名接受AI機會性篩檢的患者中，最終經DXA確診骨質疏鬆的新增人數。 

2. 引導至首次治療的時間： 從AI發出高風險預警到患者真正開始接受規範化保護藥物治療的間隔月數。 

3. 警示捕捉比率： 回溯性審查在已發生脆弱性骨折的患者中，有多大比例在骨折前曾被AI成功發出過預警。 

4. 在地化經濟學評估： 結合在地數據，計算每獲得一個質量調整壽命年（QALY）所產生的增量成本效益比（ICER），並與當地的意願支付閾值（通常為人均GDP的1–3倍）進行比對。 

專家小組強烈建議，相關的臨床管理指引與AI經濟學效應應以3至5年為週期進行定期修訂，以迎合醫療AI技術在真實世界中日新月異的發展。

結論

人工智慧應可作為臨床照護的輔助手段：利用現有數據識別出高風險族群、強化風險分析、並可作為醫病決策共享工具，但最終的診斷和治療仍應以當前的臨床診斷標準和專業醫生的判斷，而非用AI來完全取代傳統的診斷程序和醫師專業判斷。

參考文獻

1. U.S. Food and Drug Administration. Use of Real-World Evidence to Support Regulatory Decision-Making for Medical Devices: Guidance for Industry and Food and Drug Administration Staff. December 2025.
2. World Health Organization. Health Technology Assessment. World Health Organization. Accessed 3 May 2026.
3. National Institute for Health and Care Excellence. Evidence Standards Framework for Digital Health Technologies. Corporate document ECD7. Published 10 December 2018; last reviewed 9 August 2022.
4. National Institute for Health and Care Excellence. HeartFlow FFRCT for Estimating Fractional Flow Reserve from Coronary CT Angiography. HealthTech guidance HTG429. Published 13 February 2017; last updated 19 May 2021.
5. Sarhan, K., Azzam, A. Y., Moawad, M. H. E. D., Serag, I., Abbas, A., & Sarhan, A. E. (2025). Automated emergent large vessel occlusion detection using Viz.ai software and its impact on stroke workflow metrics and patient outcomes in stroke centers: A systematic review and meta-analysis. Translational Stroke Research, 16, 2258–2271. doi:10.1007/s12975-025-01354-0.
6. Matinheikki, J., Kenny, K., Kauppi, K., van Raaij, E., & Brandon-Jones, A. (2024). Realising the promise of value-based purchasing: Experimental evidence of medical device selection. International Journal of Operations & Production Management, 44(13), 100–126. doi:10.1108/IJOPM-09-2023-0779.
7. National Institute for Health and Care Excellence. NICE Real-World Evidence Framework. Corporate document ECD9. Published 23 June 2022; living framework, current version accessed 3 May 2026.

作者資訊