AI 看皮膚癌準嗎？遇到罕見腫瘤只比亂猜好一點

AI 判讀皮膚鏡能抓黑色素瘤嗎？前瞻研究：醫師參考 AI 後，不必要的痣切除少 19.2%；但遇到罕見皮膚腫瘤，AI 曲線下面積只有 0.634，只比亂猜好一點；受試者多是淺膚色。

張宏嘉 Benjamin Chang 皮膚科專科醫師 · VSKIN 院長 · PSKIN 主治醫師

發表於 2026年10月27日 AI皮膚癌會議筆記

台上的問題是這樣問的：一顆色素病灶，你在皮膚纖維瘤和黑色素瘤之間拿不定主意，會怎麼做？

台下的醫師用手機投票。重播畫面上，某一刻的比例是：52% 會用 AI，而且期待它給正確答案；40% 不用 AI，直接切片送病理。票數還在跳，講者說話時，選切片的人正追上來。

出題的海德堡大學皮膚科教授 Holger Haenssle 說，在這一題，選 AI 的人是對的。幾分鐘後，他換了一題：一顆你從來沒見過、可能很罕見的病灶，怎麼做？這一次他的答案是：AI 大概只會給你一個隨機的數字。

這是 2026 年 6 月 Pierre Fabre 主辦的 International Forum of Dermatology（IFD 2026），第六場「AI 與皮膚腫瘤」。Haenssle 之後，馬賽的 Monnier 講她怎麼把 AI 放進看診流程，拿坡里的 Fattore 把話題轉到癌症病人的皮膚副作用。

常見的病灶：AI 跟 96 位皮膚科醫師打成平手

Haenssle 先講他們 2020 年在 Annals of Oncology 發表、取名「人與機器的對決（再戰）」的研究。

一套已經在歐洲取得醫療器材許可的 AI（FotoFinder 的 Moleanalyzer Pro），跟 96 位皮膚科醫師判讀同樣 100 個病例，良性、惡性都有，講者說每一例都有病理確診。AI 只看一張皮膚鏡照片；醫師分兩輪，第一輪也只看皮膚鏡，第二輪多給臨床近照和病史文字。

藍線是 AI，紅點是每一位醫師；AI 在 0.5 的切點上，敏感度（惡性抓到幾成）95.0%、特異度（良性正確放過幾成）76.7%，曲線下面積 0.918。

括號是 95% 信賴區間。把 AI 的特異度固定在跟醫師第二輪一樣的 80.4%，AI 的敏感度是 95%，醫師 94.1%，差異沒有統計意義（P = 0.1）。論文的結論是兩者在同一個水準，而且經驗多的醫師常常勝過 AI。

這是一場考試，不是門診。100 題是研究團隊挑的，惡性比例比真實門診高得多；醫師知道自己在受測，也不用對眼前的病人負責。

這篇的前一版是 2018 年的〈Man against machine〉，58 位醫師、只有黑色素瘤和痣兩種。同一場會議開場的投影片寫著「AI 95% 對醫師 86%」，最可能就出自那一篇，兩個數字其實是不同切點下的敏感度，拆解在〈AI 會取代皮膚科醫師嗎？IFD 2026 開場數字查核〉。

真的放進門診：醫師參考 AI 之後，少切了 20 顆良性痣

所以他們做了第二個研究，2023 年刊在 JAMA Dermatology，名字改成「人與機器合作」。

這個研究在海德堡等兩個中心進行，2020 年 10 月到 2021 年 10 月。醫師照平常的方式看病人：問病史、肉眼看、拿皮膚鏡看，挑出覺得可疑的痣，打一個 0 到 1 的惡性分數，寫下打算怎麼處理（不處理、追蹤、切除）。病人接著到隔壁房間拍皮膚鏡照片給 AI 判讀，AI 的分數再拿回給同一位醫師，問他要不要改。

22 位醫師、188 位病人、228 顆可疑的黑色素細胞病灶，最後確認是 190 顆痣、38 顆黑色素瘤。

綠色是良性的痣、紅色是黑色素瘤，虛線是 0.5 的惡性切點。醫師單獨給良性痣的分數中位數在 0.3 左右；參考 AI 後整個往下移（黃色箭頭），黑色素瘤的分數則往上移。

換成病人感受得到的數字：190 顆良性痣裡，醫師原本打算切掉 104 顆（54.7%）；看過 AI 的分數之後，剩 84 顆，少了 19.2%。Haenssle 在台上說的「少 20% 不必要的切除」，就是這個數字。

台上舉了兩個病例。一位 52 歲女性，醫師給 0.4，拿不定；AI 給了高分，醫師往上調，切下來是 Breslow 厚度 1.4 毫米的黑色素瘤。另一位病人以前有原發不明的黑色素瘤、頸部淋巴結轉移，頭皮冒出一塊新的色素，AI 判成良性的藍痣；醫師知道病史，堅持高分，結果是皮膚轉移。前一個是 AI 幫了醫師，後一個是醫師擋下了 AI。

論文自己列的限制，比台上講的多：

• 只收黑色素細胞病灶（痣與黑色素瘤），不含基底細胞癌、鱗狀細胞癌。
• 敏感度 100% 的分母，是醫師已經覺得可疑的那 228 顆，不是病人身上所有的痣。醫師一開始就沒注意到的，不在這個研究裡。
• 38 顆黑色素瘤，所以 100% 的信賴區間下限是 90.8%。
• 病人多是第 2、3 型膚色，很多人本身是黑色素瘤高風險族群。
• 只有 54.8% 的病灶有病理，其餘靠追蹤與專家共識判定。
• 長在手腳、指甲的只有 5 顆（1.3% 與 0.9%）。

最後一條對台灣讀者特別重要。台灣的黑色素瘤常長在曬不到的地方，醫院資料裡，手腳與指甲的肢端型占了五成到七成，這一點在〈痣什麼時候要擔心？腳底痣、指甲黑線與黑色素瘤〉整理過。一套用歐洲背部、軀幹的痣練出來的 AI，在台灣人的腳底準不準，這個研究回答不了。

罕見腫瘤：同一套 AI，曲線下面積 0.634

AI 在罕見腫瘤上一再失手，讓 Haenssle 的團隊另外設計了一個研究。

AI 只會回答訓練時學過的類別。一個從沒進過訓練資料的腫瘤，它不會說「我不知道」，只會照樣吐出一個 0 到 1 的分數。他用特斯拉自動駕駛撞上翻倒的白色貨車來比喻：那個畫面不在訓練資料裡，車子就不煞車。

於是他們專門收了 200 個罕見皮膚腫瘤，全部有病理確診，2025 年發表在 European Journal of Cancer。用的是同一套 AI。

封面那張投影片，藍線就是 AI 在罕見腫瘤上的表現，紅色斜線是亂猜（0.5），綠色虛線是它在常見病灶上該有的樣子（0.900）。藍線貼著紅線爬。

醫師看了 AI 的分數之後，敏感度多了 1 個百分點，特異度少了 1.1 個百分點，整體準確度沒有變；醫師原本判錯的病例，AI 也救不回來。Haenssle 的解讀是，受試的都是專科醫師，他們在 AI 明顯不可靠時會否決它，沒有被拉下水。他的結論很直接：在罕見腫瘤，AI 目前幫不上忙。

台上的投影片把 AI 的敏感度寫成 61.1%，論文摘要是 66.7%；本文以論文為準。

AI 看不到的東西：病史、部位、旁邊那片皮膚

罕見腫瘤之外，Haenssle 又放了幾張 AI 判錯的照片，共同點是：答案不在那一張照片裡。

左邊是手臂上一串紅色結節，右邊是其中一顆的皮膚鏡，AI 判為良性（分數 0.28）。單看這一顆，像發炎的表皮囊腫；知道旁邊就是原發黑色素瘤的切除疤，醫師會想到轉移，病理也證實是轉移。

• 嚴重異位性皮膚炎病人身上的痣：發炎、脫屑、有血管，AI 給了高分；其實是一顆發炎的良性痣。醫師還是會切，但會先告訴病人「多半是發炎的痣，切下來確認」。
• 生殖器黏膜的良性黑變：不算罕見，但很少有人拍幾千張生殖器、口腔的照片去訓練。他的建議是現階段不要在黏膜上用。
• 卡波西肉瘤、乳頭腺瘤：前者在皮膚鏡下有彩虹樣的光澤，後者的血管長得像基底細胞癌，AI 幾乎沒見過。

他最後把 AI 放在技術炒作曲線的「啟蒙爬坡期」：熱潮退了，接下來是一點一點弄清楚它的界線。

從實驗室到診間：馬賽的 Monnier 怎麼用

第二位講者是法國馬賽 La Timone 醫院皮膚科的 Jilliana Monnier，她做的是 AI 的博士研究。

她先請台下舉手：日常生活裡用 AI 查路、查食譜的？幾乎全場。在病人面前用 AI 的？大約兩個人。她認為差距不在 AI 準不準，在於診間沒有那套東西：要電腦、要資料、要整合進看診流程。如果每次都得掏出手機、開 App、等更新，再相信 AI 的醫師也沒時間用。

她的研究路線，是讓演算法學皮膚科醫師的想法：不直接問「這是不是黑色素瘤」，而是讓機器量化「不對稱」和「紊亂」，再跟一般的卷積神經網路合併。在國際皮膚影像資料庫（ISIC 2019，6296 顆痣、1361 顆黑色素瘤）的回溯測試裡，只用顏色不對稱的模型曲線下面積 0.873，七個卷積神經網路合起來 0.938，兩者合併 0.942。這是用公開圖庫做的測驗，不是門診。

她也直接講了這套方法的盲點：結節型黑色素瘤長得對稱又規則，她的演算法會判成痣。知道工具在哪裡會失手，比知道它多準更重要。

基層醫師加上 AI

法國缺皮膚科醫師，基層轉介的病人裡很多是脂漏性角化。她和 F. Ancelin 做了一個前瞻研究，讓基層醫師在看皮膚時用她們的 App。台上她說是 6 位家醫科醫師、約 100 位病人、200 顆病灶；投影片的表格標題寫的是 residents（住院醫師）。

左上表是敏感度、左下表是特異度，各分脂漏性角化、痣、黑色素瘤三類，欄位是使用 AI 前、使用後、差異與 P 值；右邊是跟皮膚科專家的一致性，右下三行是「不必要手術少 37.5%」「多抓到 2 顆黑色素瘤」「處置與信心改善」。

痣的敏感度從 82.1% 升到 92.9%，脂漏性角化從 73.5% 升到 87.8%；跟皮膚科專家判讀的一致性（kappa）從 0.565 升到 0.801。

這張表裡最值得停下來看的是黑色素瘤的敏感度：多了 13.4 個百分點，但信賴區間從負 4% 跨到 31%，P 值 0.480。黑色素瘤的病例太少，這個研究看不出 AI 有沒有讓基層醫師多抓到黑色素瘤；台上說的「多救回兩顆」是真實的兩個病人，但不等於統計上證明了效果。不必要的痣切除，台上口頭說少 40%，投影片寫的是 37.5%。這個研究我沒有找到已經刊出的論文，數字以她的投影片為準。

她也提醒，這套 App 是為痣不多的人設計的。痣很多的病人，每一顆都有點不對稱、有點亂，套上去會全部判成黑色素瘤。

比的是同一個人身上的其他痣

單看一顆病灶，很多研究都能交出漂亮的數字；Monnier 說那是錯的問法。真正要比的，是這顆痣跟同一個人身上其他的痣像不像，也就是她的老師、馬賽的 Grob 教授提出的「醜小鴨徵象」。

她的團隊現在用 3D 全身攝影（Canfield 的 VECTRA）：病人站進機器，一次拍下全身，每一顆痣都有座標；隔一年再拍，機器把兩次影像疊起來，標出新長的、變大的。

同一位病人頸後兩張全身攝影相隔一年，右側小圖是那顆痣的三次影像與皮膚鏡，AI 分數 6.5；投影片下方是讓台下作答的四個選項，答案是原位黑色素瘤。病例由 Amatore 醫師提供。

她舉的病例裡，有一位 34 歲、曾經黑色素瘤轉移到淋巴結、打了兩年免疫治療的病人，靠影像比對發現一顆約 1 毫米、正在長大的小點。AI 的分數說不用切，醫師還是切了，病理是原位黑色素瘤。她的評語是：不要盲信 AI。

她在結尾感謝 Pierre Fabre 協助她的單位取得這台全身攝影機器。

癌症病人的皮膚：AI 從預測副作用開始

第三位講者是義大利拿坡里 Federico II 大學的 Domenico Fattore，他看的是另一群病人：正在接受抗癌治療的人。

他放的照片一張比一張難處理：免疫治療後的苔蘚樣反應癢到停藥；肺癌病人用了 PD-1 抑制劑後，手掌腳底長滿乾癬，裂到不能工作；EGFR 抑制劑的痘狀疹子讓病人藏不住自己在治療癌症；化療落髮讓有些人乾脆拒絕治療；capecitabine 的手足症候群同時有皮膚破損和神經痛。他的重點是輕度的時候就要處理，等到抓破、感染，往往只剩停藥一條路。這類藥物引起的皮膚反應，站上寫過膀胱癌新藥的例子：〈癌症精準治療的風險：當救世新藥 ADC-EV 也帶來皮膚危機〉。

他談 AI 分三個角色。

病人：他把一段話丟給聊天機器人：「我有癌症，65 歲，有高血壓和糖尿病，醫師要幫我開始免疫治療，我怎麼避免皮膚副作用？」得到的回答是先找皮膚科做治療前評估、現在就開始用無香料保濕和溫和的清潔劑、防曬、不要自己停藥、不要以為每一個疹子都是藥物過敏、出現發燒或黏膜破損要回診。他說這幾條跟歐洲皮膚性病學會（EADV）工作小組 2025 年 10 月線上發表的免疫治療皮膚副作用預防建議吻合；那份建議的第一作者就是他自己。

皮膚科醫師：用照片把嚴重度標準化，減少不同醫師之間評分的落差，長期追蹤。

腫瘤科醫師：他說這才是主角，因為皮膚科醫師通常要等副作用出現才看得到病人。把病人的臨床資料、檢驗、用藥、癌別放進模型，先挑出高風險的人轉皮膚科，其他人做基本預防。

他舉的例子是日本虎之門醫院 2025 年的研究：76 位病人、93 次使用 VEGFR 抑制劑，用臨床資料和腳底照片預測會不會出現 2 級以上的手足皮膚反應。

右邊三條 ROC 曲線：只看臨床資料的模型 0.69（藍）、只看腳底照片的 0.55（橘）、兩者合併 0.70（綠）。

台上沒有細講的是那條橘線。只看腳底照片的模型，曲線下面積 0.550，跟亂猜差不多；合併之後 0.699，論文作者自己也寫準確度還需要提升。風險因子倒是有臨床意義：體重較重、體能狀態好、以前沒用過這類藥、治療前皮膚已經有狀況的人，比較容易發生。15 位作者裡有 4 位是開發模型的日本醫療資訊公司 M3 的員工。

Fattore 也承認，這個領域目前幾乎都是回頭看病歷的資料，還沒有前瞻驗證，更沒有臨床試驗。

他在當天的圓桌上替懷疑 AI 的醫師說了話：用 AI 預估痘痘的走向，跟預防轉移性肺癌病人的抗癌藥皮膚毒性，錯了的代價完全不同——〈皮膚科醫師用 AI 嗎？IFD 2026 圓桌與 109 份問卷〉。

台下問了什麼

AI 對非皮膚科醫師幫助更大，這是威脅還是機會？ Haenssle 說多數研究確實顯示非專科醫師獲益最多；他擔心的是前面那些失敗案例：非專科醫師不容易判斷什麼時候不該相信 AI。Monnier 補充，非專科醫師用 AI，背後要有皮膚科可以轉介、要受過怎麼用的訓練。

膚色不同，AI 準確度就不同，怎麼辦？ Haenssle 承認多數研究幾乎沒有第 5、6 型膚色的影像，他沒有好的解法，只能多收集；他提到柏林 Charité 醫院有針對深色皮膚的計畫。這一點跟站上〈AI來了，皮膚病理學準備好了嗎〉講的是同一件事：病理切片的 AI 也多是淺膚色資料練出來的。

專家和新手被 AI 影響的程度一樣嗎？ 不一樣。專家幾乎不改答案。Haenssle 說，有十年以上皮膚癌篩檢經驗的醫師，以目前 AI 的程度，大概得不到什麼好處。前面那篇前瞻研究也是一樣的結果：進步最多的是經驗少的醫師。

這些研究支持什麼、不支持什麼

支持的：在皮膚科醫師手上，一套經過驗證的皮膚鏡 AI，可以讓醫師對常見的痣少切一些、對黑色素瘤更有把握。對資淺的醫師與基層醫師，幫助比對資深專家大。

不支持的：

• 自己拿手機 App 拍痣、看分數，決定要不要看醫師。這三個研究的 AI 都是在醫師手上、用專業皮膚鏡拍的照片，敏感度只算醫師已經挑出來的可疑病灶。
• 把 AI 用在罕見腫瘤、黏膜、腳底與指甲，或是有黑色素瘤病史的人身上，期待它跟常見病灶一樣準。
• 把歐洲淺膚色族群的數字，直接套到台灣人身上。

什麼時候要直接找皮膚科：一顆痣在變大、變形、變色，或跟身上其他痣都長得不一樣；腳底或指甲出現新的黑色斑塊、黑線；曾經得過黑色素瘤的人身上冒出新的色素或結節。這些情況不用先問 AI。

AI 診斷研究常見的另一種落差（對照組不是對應的專科醫師、病例只有文字），在〈微軟 AI 診斷登上 Science：先問 25.5 題才開單〉有完整的拆解，可以跟這篇對著讀。

參考文獻

1. Haenssle HA 等，Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions，Ann Oncol 2020;31(1):137–143，doi:10.1016/j.annonc.2019.10.013
2. Winkler JK 等，Assessment of Diagnostic Performance of Dermatologists Cooperating With a Convolutional Neural Network in a Prospective Clinical Study: Human With Machine，JAMA Dermatol 2023;159(6):621–627，doi:10.1001/jamadermatol.2023.0905
3. Vollmer AS 等，The art of diagnosing rare skin tumors: Can DL-CNNs enhance dermatologists’ diagnostic accuracy?，Eur J Cancer 2025;228:115751，doi:10.1016/j.ejca.2025.115751
4. Collenne J 等，Fusion between an Algorithm Based on the Characterization of Melanocytic Lesions’ Asymmetry with an Ensemble of Convolutional Neural Networks for Melanoma Detection，J Invest Dermatol 2024;144(7):1600–1607.e2，doi:10.1016/j.jid.2023.09.289
5. Fattore D 等，Prevention and management of cutaneous immune-related adverse events: EADV Task Force statement，J Eur Acad Dermatol Venereol 2026;40(5):739–759，doi:10.1111/jdv.70149
6. Yamanaka T 等，Artificial intelligence system for predicting hand-foot skin reaction induced by vascular endothelial growth factor receptor inhibitors，Sci Rep 2025;15(1):9843，doi:10.1038/s41598-025-93471-x
7. Pierre Fabre，International Forum of Dermatology 2026 replay：AI and Dermato-Oncology: Current Innovations and Future Directions（2026 年 6 月 12 日場次），https://pierrefabreformed.com/en/news/pierre-fabre-ifd-international-forum-dermatology-2026 （2026-10-27 查閱）