受訪者：呂大文

從診斷困境走向預防醫療新時代

AI在醫療領域的應用已逐漸成熟，但在青光眼這個領域，仍面臨不少挑戰。呂大文主任指出，AI在眼科其實具備相當科學基礎，但真正困難的，是如何「落地應用」。與糖尿病視網膜病變不同，青光眼的變化較為隱性，診斷也更依賴綜合判斷，因此AI目前仍難以完全取代臨床決策。然而，透過多模態資料整合與跨領域合作，未來AI仍有機會在早期篩檢與疾病管理中發揮關鍵角色。為什麼 AI 看得懂糖尿病，卻還看不懂青光眼？



在眼科領域中，AI早已成功應用於糖尿病視網膜病變的篩檢，主要原因在於病變特徵明確，例如出血、滲出等影像變化，較容易被辨識。然而青光眼的本質是視神經的慢性退化，並伴隨視野缺損，其變化較為細微且複雜。如果只依靠眼底照片進行判讀，很難全面掌握病情。呂大文主任指出，青光眼的診斷往往需要結合多項資訊，包括眼壓數值、視神經結構以及視野檢查結果，這使得單一影像判斷的準確度受到限制。這也是目前AI在青光眼應用上，仍難以完全突破的原因之一。

多模態 AI 是解方，但臨床比模型更複雜

為了克服這樣的限制，目前發展方向是透過「多模態AI」進行訓練，也就是同時整合多種資料來源，例如眼壓、影像與視野數據，建立更完整的模型。當模型訓練完成後，再嘗試以較簡單的資料（如眼底照片）進行判斷。

理論上這樣的方式是可行的，但在實務上仍面臨挑戰。呂主任指出，青光眼的診斷本身就存在一定主觀性，不同醫師之間的判斷可能略有差異。此外，在東亞地區常見的「低眼壓青光眼」，更增加診斷難度。這類患者眼壓正常，但視神經已出現病變，必須依賴視野檢查才能確認，因此單靠影像仍難以準確判斷。

AI 最成熟的角色，其實不是診斷，而是溝通

在現階段，AI在青光眼領域最成熟的應用，反而不是診斷，而是「病人教育」。呂大文主任表示，臨床上醫師需要反覆向病人解釋疾病機制與用藥方式，耗費大量時間與精力。若能透過互動式AI系統，將這些資訊轉化為易懂的內容，例如說明青光眼是什麼、用藥後可能的變化，將能大幅提升溝通效率，也讓病人更容易理解自己的病情。這樣的應用，已是目前相對成熟且可落地的方向。

醫師 × 工程師的距離，決定 AI 的天花板

談到AI與醫療的結合，呂大文主任強調，最大的關鍵在於「跨領域合作」。AI需要大量數據，而這些數據來自臨床，但工程師與醫師之間，往往存在專業上的落差。工程師未必熟悉臨床需求，而醫師對AI技術也不一定了解，因此雙方需要透過長時間的合作與學習，逐步縮小差距。當這個鴻溝被填補，AI才能真正融入臨床，發揮最大價值。

從診斷到新藥開發：AI 正在打開另一條路

除了臨床應用，AI在藥物研發上也展現巨大潛力。呂主任提到，未來若能將AI分析、藥物數據與臨床研究整合，將有機會大幅提升新藥開發效率。例如在傳統流程中，可能需要測試上百種候選藥物，最終只有少數能成功進入臨床。透過AI篩選與預測，可以大幅縮小範圍，從數百種降至數十種，減少實驗成本與時間，也提高成功率。對患者而言，這意味著未來可能出現更有效、副作用更低的治療選擇。

真正的未來，是在疾病發生前就被看見

綜觀整體發展，AI在青光眼領域仍處於發展階段，但潛力巨大。若未來能結合大數據、多模態分析與臨床經驗，有機會在疾病早期就進行篩檢與預測，提前發現高風險族群。這樣的目標，不只是技術突破，更是醫療模式的改變——從「治療疾病」走向「預測與預防疾病」。當AI持續進化，並與臨床深度整合，或許有一天，青光眼將不再是悄悄奪走視力的隱形威脅。