把驗血報告貼給 AI 看，它會在哪裡出錯？AI 解讀檢驗報告：從六項研究歸納的三類出錯

作者 蔡嘉櫸博士｜臺灣大學醫學院生化暨分子生物學研究所博士、臺灣大學兼任助理教授、好命生醫 Homnia 創辦人暨執行長。研究訓練背景為 Dana-Farber Cancer Institute（Harvard Medical School）。曾主導第二型糖尿病新藥推進至美國 FDA 一期臨床，並建立 ISO/IEC 17025 認證檢驗實驗室。

重點

• 本文把六項研究裡看到的出錯情形歸成三類：你和 AI 之間的溝通斷在半路、資料不完整或有誤時它照單全收、說得頭頭是道但內容是錯的（幻覺）。只有第三類有檢驗報告情境的直接證據，前兩類來自一般醫療情境與模擬案例。

• AI 提供的是健康管理的參考方向，不是醫療診斷；診斷與治療必須由醫師負責。

• 結果跟著模型版本、提問方式、檢驗項目與誰在用而變。例如一項納入 1,298 位英國成人的隨機試驗中，AI 單獨作答時在 94.9% 的測試提出至少一個相關病況，交給真人使用時不到 34.5%（Bean et al., 2026）。

把驗血報告貼給 AI，幾秒後它就列出一長串白話說明。先給答案：AI 解讀檢驗報告會怎麼出錯，本文把六項研究裡看到的出錯情形歸成三類，分別是你和它之間的溝通斷在半路、報告資訊不完整或有誤時它照單全收、以及說得頭頭是道卻是錯的（幻覺，hallucination）。其中只有第三類有檢驗報告情境的直接證據（尿液報告的研究）；第一類來自一般醫療情境的試驗，第二類來自模擬案例的測試。AI 提供的是健康管理的參考方向，不是醫療診斷；診斷與治療必須由醫師負責。六項研究中，直接拿檢驗數值或檢驗報告來測的只有兩項；每一項結果都只代表當時受測的模型版本與測試條件。本文只談 AI 會怎麼錯、在什麼條件下表現比較好，不比較 AI 和醫師誰比較強。

把驗血報告貼給 AI，它到底在做什麼？

你把報告貼進對話框，AI 做的事，是根據它讀過的大量文字，接出「最像合理說明」的下一句話。這類模型叫大型語言模型（LLM，用海量文字訓練、擅長寫出通順語句的 AI）。它很會把術語翻成白話，但「通順」和「正確」是兩件事。

麻煩在於，錯的說明和對的說明，讀起來一樣有自信。研究者把這種現象叫幻覺：模型說得頭頭是道，內容卻是錯的。

先講清楚範圍。下面引用的研究，多半用模擬案例、測試題或刻意設陷阱的測試，不是真實民眾上傳自己的報告。

這六項研究各測了什麼？

三類出錯情形是本文的歸納，不是任何一項研究的分類；每一類的證據來自哪種情境，看下表「測什麼」一欄。

AI 單獨測試很會答，為什麼真人用起來差很多？

一項發表在 Nature Medicine 的隨機試驗找了 1,298 位英國成人，請他們處理十個醫療情境：判斷可能是什麼狀況，以及選擇下一步的處置方向。三組受試者各使用一個 AI，對照組則用自己慣用的資源。

AI 單獨作答時，在 94.9% 的測試中提出至少一個相關病況，選對處置方向的比例是 56.3%。但真人拿同樣的 AI 來用，辨識出相關病況的比例不到 34.5%，處置方向不到 44.2%。和對照組相比，使用 AI 的人辨識病況顯著較差（對照組辨識出相關病況的勝算是 1.76 倍），處置方向則沒有顯著差異（Bean et al., 2026）。

研究者檢視對話紀錄：抽查的 30 段對話中，有 16 段使用者一開始只提供了部分資訊；也有 AI 誤解使用者提問的情形；AI 提出了相關病況，使用者也不一定採納。作者的結論是：使用者與 AI 的互動是部署上的挑戰，而常見的醫學知識題庫成績，預測不了這種落差。

這不是 AI 與醫師的比較，這項研究裡沒有醫師參賽。它說的是，知識放在模型裡，不等於知識能順利走到使用者手上。

報告上的數字，AI 讀得對嗎？

要看怎麼問、問哪一項。韓國團隊用韓國國民健康保險公團的健檢資料測試四個 LLM，看模型能不能把每個項目歸到正確的類別，分數代表與標準答案相符的比例（You & Shin, 2026）。

提問方式的影響很大。在 100 筆的抽樣測試中，只下一句「請解讀這些數值」時，四個模型平均是 0.69；把角色、範例、各項目的判讀門檻都寫進提示，並要求逐步比對之後，升到 0.95，其中進步最大的一步來自把判讀門檻寫進提示（0.80 升到 0.92）。如果只丟一句「幫我看看」，情境比較接近前者。

用表現最好的那種提示去跑 1 萬筆個案，前三個模型在血糖、膽固醇、三酸甘油酯、肝臟酵素等多數生化項目的分數接近滿分（0.99–1.00），血壓是 0.88 到 0.91；第四個模型（LLaMA 3.1-70B）在同一批生化項目是 0.66 到 0.98，血壓 0.61。血壓判讀隨受檢者年紀下降的情形，出現在其中兩個模型。作者推測，原因是血壓要同時整合收縮壓與舒張壓，分類門檻又有好幾層。這項研究只做數值分類，沒有評估幻覺。

另一項研究用的是真實的檢驗報告：120 份腎臟病病人的尿液報告，交給五個 LLM 解讀，由 4 位醫檢師與 4 位醫師評分（Liu et al., 2026）。五個模型的整體評分都在 4.57 到 4.78 分之間（滿分 5 分），辨認異常項目與分析項目間的關聯做得好，解讀儀器加註的旗標則較差。幻覺率最低的模型是 7.5%（計算方式摘要未說明），常見的幻覺型態是誤解、定義錯誤與過度詮釋。

報告裡只要有一個錯的細節，AI 會自己發現嗎？

在這項測試裡，多數時候不會。Omar 等人做了一個對抗式測試，也就是刻意設陷阱的壓力測試：300 個經醫師審核的模擬臨床案例，每一個都放進一個捏造的細節，例如不存在的檢驗項目、不存在的徵象，或虛構的症候群，再交給六個 LLM。在預設設定下，模型把捏造細節當真、順著解釋的比例，依模型與案例長短不同落在 50% 到 82% 之間，整體是 66%。加上降低幻覺的提醒語後，整體降到 44%，表現最好的模型從 53% 降到 23%；提醒有用，但消除不了（Omar et al., 2025）。

這是刻意設計的極端情境，不等於日常使用的出錯率。但它指出一個機制：模型傾向把你給它的內容當成事實來接續。

用一個假設情境來想像（這是為了說明而設，不是該研究直接測試的項目）：報告轉成文字時，某個單位或數字被辨識錯了，AI 可能拿著那個錯的數字，繼續寫出一段很順的解釋。

一般人問健康問題，AI 的回答有多少問題？

Draelos 等人請醫師審查四個公開聊天機器人，對 222 個民眾常問的基層醫療問題所做的 888 則回答；題目限於「該怎麼處理」這類尋求建議的問題（Draelos et al., 2026）。有問題的回答占 21.6% 到 43.2%，被評為不安全的占 5% 到 13%，機器人之間有統計上的顯著差異。重點不在排名，也不在和醫師比較，而是每一種都有一定比例的問題回答。

繁體中文的研究，本文只納入一項。Chang 等人檢視 ChatGPT 用繁體中文回答 20 題兒童近視常見問題，由 10 位眼科醫師評分：不到一半的回答達到適當、可用、清楚的標準，其中治療效果與副作用相關的題目特別不足（Chang et al., 2024）。受測的是 2023 年 4 月的 GPT-3.5。這是單一主題，與驗血報告無關。它只能說明，繁體中文的情境沒有理由被當成「已經驗證過」。

民眾會不會太相信 AI？上傳報告的隱私呢？

上面六項研究的主題都不是過度信賴或隱私；其中英國試驗看到的，反而是使用者不一定採納 AI 的建議。另外查到的研究，情境不是檢驗報告：兩個隨機實驗（338 名大學生、563 名線上受試者）請受試者評 AI 改寫的出院衛教指示，越習慣依賴生成式 AI 的人，越信任它的輸出，信任度也越不隨內容正誤而變（Ahmed et al., 2026）；一篇範疇回顧整理 27 項研究，其中 4 項把隱私或資料安全的顧慮列為使用障礙（Alon & Levkovich, 2026）。

針對「檢驗報告」情境的過度信賴研究，以及量化「上傳報告」實際隱私風險的研究，我們沒有查到。沒找到，不代表沒有問題，也不能寫成已有證據，只能如實標示為缺口。資料如何保存與使用，取決於各服務的資料政策。

這些研究能回答什麼、不能回答什麼？

這幾項研究加在一起，能讓我們看見出錯的型態，以及表現比較好的條件（結構化的數值、提示裡寫明判讀門檻），但不能回答「AI 解讀我的報告到底可不可靠」。

第一，幾乎都不是真實使用。 各研究的測試條件見上表；唯一用真實報告的尿液研究，也不是民眾自己上傳提問。

第二，台灣適用性未知。 英國試驗的受試者是英國成人，以英語進行；韓國研究以韓文提示，健檢項目與參考範圍和台灣不一定相同。本文納入的繁體中文研究，只有近視單一主題。

第三，各研究的衡量方式不同，不能換算成一個「AI 準確度」。 本文不提供這種總結數字。

第四，模型更新很快。 這些結果是某個時間點的快照，只對應上表列出的版本。

把報告貼給 AI 之後，可以怎麼用它的回答？

把 AI 的回答當成整理與提問的起點，而不是結論。

在讀它的回答時，可以問自己三件事：這句話對應到報告上的哪一行？我給它的資料完整、正確嗎？它說的是「描述」，還是「下了結論」？

報告背後的病史、用藥與當天的狀況，AI 都看不到，這些是判讀的關鍵，要由負責診治的專業人員整合。AI 整理出來的內容，是和他們討論時的素材，不是替代。

就醫時機、追蹤頻率，以及飲食、運動與用藥，要依個人狀況由醫師評估，不是一篇文章能替你判斷的。延伸閱讀：智慧手錶偵測心律不整準嗎？它能偵測什麼、不能排除什麼

利益揭露 ：作者為代謝體檢測服務公司好命生醫 Homnia 創辦人暨執行長，該公司有 AI 健康分析相關服務。本文引用之國際同儕審查文獻皆為獨立第三方研究，與 Homnia 無關；本文未引用 Homnia 自有資料，不評論任何特定產品，正文亦未提及 Homnia 任何產品、服務或方法論。