Aidoc

這是什麼

Aidoc 是以色列起家的臨床 AI 公司，做的事情用一句話講：在放射科醫師打開影像之前，先把「這張片子可能有急症」的病人往前排。它的核心產品線圍繞急重症影像判讀，涵蓋放射科、心臟科、神經血管（中風、腦出血、頸椎骨折、腦動脈瘤）與血管科（主動脈疾病、肺栓塞、深層靜脈血栓）。

技術底層近兩年換代了。過去是一個適應症一個模型逐個送審，現在推的是自研的醫療基礎模型 CARE，2026 年 1 月取得美國 FDA 對「綜合性 AI 分流方案」的許可——同一個基礎模型底下涵蓋 11 個新核准適應症加上 3 個既有適應症，官方稱這是首個以單一基礎模型取得雙位數急症適應症許可的案例。

平台叫 aiOS，負責與 PACS、EHR 串接、跨科別的照護協調與病人追蹤。官網宣稱全球超過 1,600 家醫療機構使用。資金面 2026 年連兩輪：先是 General Catalyst 與 Square Peg 領投 1.5 億美元（NVIDIA 創投 NVentures 有參與），接著 5 月由 Goldman Sachs Alternatives 領投的 1.5 億美元 E 輪，累計募資超過 5 億美元。

實際用起來如何

Aidoc 的價值不在「診斷」，在「排序」。放射科的真實痛點是 worklist 太長：一個急診夜班兩百張 CT，其中可能只有三張是要立刻打電話給臨床的。Aidoc 在影像上傳到 PACS 之後幾分鐘內跑完，把疑似出血、肺栓塞、氣胸的案子標起來往前推，同時發推播給值班醫師。醫學文獻與各家醫院的導入報告普遍看到的效益是「報告週轉時間縮短」而非「判讀準確度提升」，這個定位要先講清楚。

介面上它是嵌在既有 PACS 裡的一層，不是叫醫師換系統——這點在導入上非常關鍵，放射科醫師對「多開一個視窗」的抵抗非常強。標記是紅色小圖示加上定位框，醫師還是自己看片、自己下判斷，AI 的角色是提醒不是取代。

CARE 這一代最大的改變是「同一張片子一次跑完十幾種急症」，過去要串十幾個獨立演算法，維運與計價都很碎。從 IT 角度看，這是把整合成本壓下來的關鍵。

偽陽性仍然存在，而且是導入時最大的政治問題。若標記太敏感，醫師三週內就會開始無視提示，AI 等於白裝。實務上導入前幾個月幾乎都在調閾值。

價格官方不公開，屬於企業級年約，依醫院規模、適應症數量、影像量計價，一切以業務報價為準。

優點

• FDA 核准的適應症數量在同類產品裡屬於最完整的一批，一次採購涵蓋多種急症，不必東拼西湊。
• 嵌入既有 PACS 工作流，醫師不需要改變操作習慣，臨床端的抵抗小很多。
• aiOS 把 EHR 串接、通知、病人追蹤包在一起，不只是「畫個框」，而是把後續照護動線接起來。
• CARE 基礎模型讓多適應症共用一次推論，維運與資源成本比多模型串接漂亮。
• 資金與客戶基礎厚實（1,600+ 醫療機構、募資超過 5 億美元），對醫院這種十年期的採購決策來說，供應商存續風險相對低。

缺點與限制

• 這是徹頭徹尾的企業級採購。沒有試用、沒有公開價格、導入要 IT 與資安部門聯席，決策週期以季甚至年計。
• 偽陽性造成的警示疲勞是真實風險。文獻上多有討論，實務上需要持續調參與臨床端的期待管理，這件事不會因為換了基礎模型就消失。
• 效益主要落在「流程效率」而非「診斷準確度」。醫院若期待它抓出人類漏掉的病灶，期待值要先調整。
• 台灣沒有 TFDA 許可就不能當醫材使用，美國 FDA 的核准在台灣不能直接沿用，這是導入的硬門檻。
• 對急診量小的地區醫院，效益分母不夠大，投報率很難算得漂亮。

適合誰／不適合誰

適合：影像量大的醫學中心與區域醫院、有急重症與中風中心的機構、放射科人力吃緊需要靠分流撐流量的單位、以及正在建立跨院影像 AI 平台的醫療體系。

不適合：小型診所與影像中心（量不夠、成本攤不掉）、只想「買一個 AI 看片子」而沒有導入專案人力的醫院、以及沒有能力配合調整 PACS 與資安架構的單位。

替代方案

Viz.ai：同樣主打急症分流，中風照護的通報鏈（LVO 偵測到直接叫醒介入團隊）做得最深，但適應症廣度不如 Aidoc。

Annalise.ai：胸部 X 光與頭部 CT 的多發現偵測是強項，一張片子標出上百種所見，定位偏「全面標註」而非「急症分流」。

台灣本土供應商（如長佳智能、雲象科技等）：已有 TFDA 許可、支援中文報告與健保情境、導入溝通零時差，但單一產品的適應症覆蓋與國際臨床驗證規模較小。

台灣觀點

台灣的醫院要導入 Aidoc，第一關不是預算是法規。任何影像 AI 要進臨床都得走 TFDA 智慧醫療器材的路——衛福部食藥署設有智慧醫療器材專案辦公室提供單一窗口諮詢，也有 AI/ML 醫材資訊平台可以查核准狀態。美國 FDA 的許可在台灣不能直接沿用，得另外走查驗登記或由代理商申請。導入前務必先確認該適應症在台灣的許可狀態，這件事請以 TFDA 平台的公開資料為準。

第二關是給付。台灣的健保目前對影像 AI 的給付仍在建立，多數導入是醫院自費當作品質投資，而不是能報帳的項目。這代表採購的說服邏輯必須是「縮短報告週轉、降低急症延誤風險」，而不是「多一筆收入」。目前健保署與相關單位在推跨院臨床效益與成本資料收集，方向是往給付評估走，但時程仍不明朗。

第三關是資料。影像上雲牽涉個資法與醫療機構的資安規範，多數醫學中心會要求地端部署或至少境內機房，這會直接影響報價與導入時間。

台灣本土已經有數家取得 TFDA 許可的影像 AI 業者，溝通成本、中文報告、健保情境理解都是主場優勢。我的建議是：如果需求集中在單一適應症（例如中風或骨齡），先評估本土方案；如果是要一次鋪十幾種急症、而且醫院有國際級的 IT 量能，Aidoc 這種平台型解法才划算。

TheAI學院 評分與一句話

4.1 / 5

技術與法規進度都是這個領域的前段班，但台灣醫院要問的第一個問題不是好不好用，是有沒有 TFDA 許可、誰來付錢。