編按：本文綜合整理自 Antoine 部落格原文、Hacker News 討論串（48708941）、Anthropic 官方公告：Claude for Healthcare、medRxiv 學術評測論文，並加入 Siami 編輯部觀點與分析。
軟體工程師 Antoine de Torcy 在右肩疼痛就診後，被診斷出「肩胛下肌腱（subscapularis tendon）頂端附著處有 Grade III（>50%寬度）部分撕裂」，並立即被建議展開密集療程。從診所出來後，他憑直覺覺得處置過於積極，回家後把 DICOM 原始影像（266 MB、近百張無副檔名的圖檔）丟給 Claude Code 裡跑的 Opus 4.8（xhigh）模型看。AI 跑了大約一小時，回覆的結論是：肌腱完好無破損（intact），根本沒有部分撕裂。
兩個診斷，一個說要開刀復健、一個說根本沒事，差距大到 Antoine 自己都形容「令人不安」。他把兩份報告再丟回去給 Opus 開第二輪「仲裁」，這次 Opus 用多個獨立子代理（sub-agents）平行分析、互不污染 context，最後裁定「讀者 A（人類放射科醫師）的診斷證據不足，傾向支持 Opus 自己的版本：輕微插入性肌腱變性，沒有看到任何局部或全層撕裂」。
這是迄今為止在 HN 上引發最熱烈討論的「AI 應用於醫療影像」個案（截稿時 360 分、473 則留言）。爭議焦點不在 Opus 究竟對不對，而是：當一位非專業人士拿 AI 看完自己的影像、結論跟醫師完全相反時，他到底該相信誰？
Opus 4.8 怎麼讀這份 MRI？
Antoine 把整個流程完整公開，最大亮點是「把 Claude Code 當成一個能裝套件、能跑 Python、能在 DICOM 上自幹影像處理的工作環境」。他給 Opus 的唯一 prompt 是「右肩疼痛 2–3 週」——比當初人類醫師得到的臨床資訊還要少。
Opus 拿到影像後，第一步是主動安裝所需的 Python 套件（含 pydicom、SimpleITK、scikit-image 等醫療影像工具），接著規劃一套完整的工作流：
- 把 DICOM 多幀影像序列重建成 3D 體素（voxel）模型
- 對肩胛下肌腱的頂端附著處做多平面重建（MPR）
- 跑邊緣偵測與訊號強度分析，標記疑似撕裂的高訊號區
- 拿同一份影像跟公開的肩關節 MRI 正常解剖資料集比對
最終 Opus 在 PDF 報告（7.72 MB）裡直接寫出結論：「該肌腱無撕裂跡象」。Antoine 看到這份結論時形容自己當下非常不安——他預期 AI 最多會說「撕裂程度較輕」，沒想到會是完全相反的判定。
第二輪仲裁：當兩個結論擺在一起
為了避免「AI 已經看過人類報告、被污染」這個盲點，Antoine 設計了一個聰明的方法：
- 建立獨立 context：第二輪完全不給 Opus 看第一份報告，只給兩份來源——人類放射科的原始影像判讀，加上他跟 ChatGPT 5.5 Pro 先前討論過的「肩膀活動測試清單」
- 開多個子代理平行跑：每個子代理只能看到原始 DICOM 與上述討論，不互相污染
- 讓 Opus 自己當仲裁者：最後再請 Opus 比較讀者 A（醫師）與讀者 B（自己）的結論並做出裁定
跑完大約一小時後，Opus 在第二份報告（4.72 MB）裡這樣寫：「證據傾向讀者 A（中至高度信心）。輕微插入性肌腱變性，未在頂端附著處發現明確的局部或全層撕裂。」
值得注意的是，Opus 並沒有為了取悅使用者而盲目採信人類醫師——它明確指出：「兩份報告中有些爭議我無法解決，但關於撕裂存不存在這件事，我可以做出相當明確的裁決。」
這種「知道自己能解決什麼、不能解決什麼」的校準能力，是這次實驗最具技術含量的一環。但同時也是 HN 討論最尖銳的問題——這種校準能力本身，也是模型訓練出來的、不是真的「知道」。
🚨 為什麼這件事重要
這則個案之所以在 HN 引爆討論（連非 AI 領域的放射科醫師、放射師也跑來留言），是因為它一次踩到了 AI 進入醫療現場的三條紅線：
- AI 變得「會拒絕」：當 Opus 在第二輪明確說「撕裂根本不存在」，這對一個沒有受過醫學訓練的患者來說，是極具說服力的結論——尤其當它還附帶完整的影像分析與量化數字。比起「我建議再找第二位醫師看」這種傳統建議，AI 直接給「答案」的誘惑極強。
- Claude Code 把 AI 變成「會自己裝工具的研究員」：Antoine 完全沒有自己寫任何影像處理程式碼，他只給了 Opus 一份 DICOM 與一句 prompt。Claude Code 內建的「自行安裝套件、跑子任務、寫腳本、產 PDF」能力，讓 LLM 從「對話框裡的助手」變成「能接管的代理人」——這是 2024 年初還做不到的事。
- 信任的兩難（paradox of trust）：Antoine 在文章最後寫到，「把自己交給一個你信任的專家，那種感覺是無可取代的」，但這次經驗徹底打破這種信任結構。他既不能完全相信醫師（因為診斷可能太激進），也不能完全相信 AI（因為 AI 也有 hallucinate 的可能），於是他被困在一個「什麼都別相信」的灰區。
Anthropic 在 2026 年初已正式推出 Claude for Healthcare，主打 HIPAA 合規、不可用於模型訓練、針對臨床與行政流程優化。Antoine 的實驗某種意義上是這條產品線的「個人版實證」——證明 Opus 確實有能力消化真實醫療影像，但同時也示範了「個人 + LLM」模式的所有風險。
🚨 數據解讀與質疑
把這次實驗放回更大尺度的 AI 醫療診斷效能資料，會看到幾個值得警覺的數字：
- medRxiv 在 2026 年 2 月發表的 LLM 診斷糾錯評測中，測試「LLM 是否能在醫師誤診時提出異議」。結果：Gemini 2.5 Pro 糾錯率 55.0%、Claude Sonnet 3.5 為 48.5%、Sonnet 4 為 47.0%——最高的也只有一半出頭。換句話說，「AI 當第二意見」的命中率比擲銅板好一點，但不是壓倒性勝出。
- 沒有「domain knowledge 的驗證等於沒驗證」：HN 用戶 dirkt 與 palata 的對話是這次討論最精準的質疑——當病患自己沒有能力判斷 AI 講的對不對時，叫 AI「驗證 AI」根本是讓「最會說服的 LLM」贏，而不是「最正確的 LLM」贏。XorNot 進一步指出 LLM 預設就是訓練來「說服人」的，那句「你說得完全沒錯…」是 A/B test 留下來的設計，不是 bug。
- marcus_holmes 提到的金融業慘案：他自己公司把 LLM 當信用評估員時，發現同一份報告套在條件完全不同的公司上，會回一份「口氣、格式、可信度都一樣，但內容完全是憑空捏造」的版本——這就是 AI 對「說服力」的優化凌駕「準確度」的最佳實證。
- Antoine 本人最誠實的一句話：「I could also have misunderstood the doctors. So basically, none of this should be taken as medical advice :)」——連他自己都承認三方（醫師、Opus、自己）都有可能是錯的，但他沒有醫學背景，根本沒有裁判依據。
這也是為什麼醫療法規（無論台灣的《醫師法》還是美國 FDA 的 SaMD 規範）至今仍堅持 AI 診斷必須有「持照醫師在背後把關」這條紅線。Antoine 的實驗顯示，個人 + LLM 的去中間化模式雖然技術上可行，但在「驗證」、「責任歸屬」、「錯誤後果承受」三個層面都還沒有任何可對應的制度設計。
業界與社群怎麼看
這篇貼文在 HN 引出 473 則討論（截至 6/29 上午），多個關注點被反覆提出：
- 「LLM 之間互相審稿」可不可行？ Esophagus4 與 scheme271 的辯論很關鍵——Esophagus4 認為「既然 code review 一個 agent 寫、一個 agent 審可以提升品質，醫療影像應該也可以」；scheme271 反駁說「code 可以跑 unit tests、可以編譯，但醫療診斷沒有 ground truth，多 LLM 互審只是『最會說服』的贏」。這個分歧目前沒有共識。
- 「為什麼不直接找第二位放射科醫師？」 RussianCow 的留言最尖銳：「如果都要第二意見了，直接找另一個真人放射科醫師就好，何必繞一圈 LLM？」。但 Antoine 的回應點出現實困境：在不少國家（包括歐洲）拿到第二位放射科醫師意見可能要等 3–6 週，AI 幾小時就能跑完，速度差是 LLM 進入醫療決策鏈最強的拉力。
- 「為什麼大家不再驗證答案？」 dirkt 提到，現在連工程師用 LLM 都常常不追溯來源就直接相信；放到醫療場景更危險，因為「連醫師自己都不一定能在自己專業外驗證 LLM 的結論」。
這幾條討論都指向同一個尚未解答的問題：當一個普通人能在 1 小時內用 AI 工具取得一份「看起來比醫師還詳細」的影像分析報告，醫病關係的權力結構會怎麼變？
結語：Siami 觀點
這則個案最大的價值不是「Opus 4.8 到底對不對」（沒人能確定，因為沒有第三位放射科醫師仲裁），而是它完整示範了「個人 + LLM + 程式化工具鏈」這個新型醫療決策模式的可行性與風險。
對一般讀者來說，這篇文章可以歸納出三條務實建議：
- AI 醫療影像分析目前最適合的角色是「個人教育」而非「診斷對抗」：拿 Opus 讀自己 MRI 的目的應該是「幫助自己問醫師更精準的問題」，不是「推翻醫師的診斷」。
- Claude Code 的「代理人 + 程式執行」能力是把雙刃劍：它讓沒有程式能力的患者也能跑完整影像分析，但也讓 LLM 的 hallucination 風險更難被察覺（因為錯誤結論會藏在看起來很專業的 PDF 裡）。
- 不要把「AI 結論 + AI 驗證」當成可信流程：沒有 domain expert 的把關，AI 之間的互審只會選出「最會說服」的那個，而非「最對」的那個。
Antoine 在文章最後一段寫道：「我的希望是，再幾代模型之後，我們能像信任 AI 校稿 email 一樣，信任 AI 幫我們讀 MRI。」這句話點出了整個產業的終極目標——但距離那一天，至少還差一整套法規、責任歸屬、驗證機制、以及把 LLM hallucination 從「特徵」變成「可量化指標」的技術突破。
資料來源
- Antoine 部落格原文（個人 first-hand 實驗紀錄）
- Hacker News 討論串 #48708941（473 則留言）
- Anthropic 官方公告：Advancing Claude in healthcare and the life sciences
- medRxiv：Evaluating the AI Potential as a Safety Net for Diagnosis
- NCBI/PMC：Ethical Responsibility in Medical AI（2026 系統性回顧）
- IntuitionLabs：Claude for Healthcare 2026 技術指南
網友熱門留言 (6)