AI 讀乳房 X 光揪出心臟病：特拉維夫團隊在 ESC 2026 發表 9.7 萬張掃描的突破研究

心臟科學界最被浪費的醫療影像，可能就是乳房 X 光攝影。在慕尼黑舉行的歐洲心臟學會年會（ESC Congress 2026）——全球規模最大的心臟醫學會議——上，特拉維夫大學團隊發表了一個機器學習模型：它能讀取常規乳癌篩檢影像，可靠地標記出患有心血管疾病的女性。《衛報》於 8 月 27 日報導了這項研究成果，指向一個未來：全球每年數億次的乳房攝影，將成為寄生在既有基礎設施上、零額外成本的心血管篩檢計畫。

研究數據一覽

這項回溯性世代研究由特拉維夫大學的 Viana Copeland 博士發表，是同類研究中規模最大者之一。研究團隊分析了來自以色列篩檢紀錄的 97,364 張乳房攝影檢查，涵蓋 29,921 名平均年齡 54 歲的女性。透過交叉比對病歷，團隊建立了ground truth：16% 的女性有高血壓，2.5% 有冠狀動脈心臟病，2.5% 曾中風。

接著，機器學習模型接受訓練，僅從乳房攝影影像判斷這些疾病——不需要血壓計、不需要膽固醇檢驗、不需要額外影像檢查。結果相當亮眼：

• 中風：正確辨識率 86%
• 高血壓：準確率 79%
• 冠狀動脈心臟病：準確率 78%

更關鍵的是，無論年齡層、無論是否同時罹患乳癌，模型的表現都維持穩定。這點非常重要：它代表模型捕捉到的是乳房組織與血管系統中真實存在的解剖學訊號，而非與年齡或疾病負擔的偶然相關。

心臟病為什麼藏在乳房掃描裡

這項研究背後的直覺是：乳房 X 光本質上就是一張胸壁血管的 X 光影像。乳房動脈鈣化（breast arterial calcification）——乳房動脈中的鈣沉積——數十年來一直被視為全身血管疾病的標記，但幾乎從未被報告，因為判讀篩檢影像的放射科醫師找的是腫瘤，不是動脈。機器學習改變了這種遺漏的經濟學：軟體可以在數萬張影像中量化細微的血管特徵，邊際成本趨近於零，而且不需要為患者增加任何額外檢查、輻射劑量或門診往返。

它也恰好落在女性健康軌跡上的關鍵時點。Copeland 博士在慕尼黑向與會者表示，乳房攝影觸及許多正值中年的女性——這是辨識與處理心血管風險的關鍵窗口——而且它觸及的是一群根本沒有為心臟症狀就醫的女性。

一年以來的證據匯流

特拉維夫的研究並非孤例，而是一個快速累積的文獻體系中最新、臨床指向最直接的一篇。2026 年 3 月，由 Emory 大學 Hari Trivedi 博士領軍的團隊在《European Heart Journal》發表了一項涵蓋 123,762 名女性的研究，顯示 AI 量化的乳房動脈鈣化是嚴重心血管事件的獨立預測因子：輕度鈣化的女性發生重大心臟事件的機率約高出 30%，中度鈣化讓風險提高超過 70%，重度鈣化則使風險增加二至三倍。Emory 的研究預測的是未來風險；新的以色列研究更進一步，直接辨識既有疾病——高血壓、冠狀動脈心臟病、中風——而且完全從影像判讀。兩種方法互補：一種在症狀出現前評估風險，另一種把已經確診卻未被發現的疾病，從醫療體系遺漏的縫隙中撈出來。

這項研究要解決的「低診斷」問題

心血管疾病是全球女性頭號死因，但相較於男性，女性一直被不成比例地低估診斷、低度治療。「心臟病是男人病」的迷思至今仍影響臨床警覺與女性自身的就醫行為：許多女性出現症狀時，疾病已經相當晚期。英國心臟基金會臨床主任、心臟科顧問醫師 Sonya Babu-Narayan 點出了這項研究的意義：如果以色列的做法進一步獲得驗證，「AI 終將讓乳癌篩檢計畫變成雙用途——除了早期發現乳癌，也能標記出罹患高危險心血管疾病的女性。」

這個機會的規模極為龐大。歐盟約三分之二的 50–69 歲女性表示過去兩年內做過乳房攝影；美國近 70% 的 45 歲以上女性依準則完成篩檢。相較之下，知道自己膽固醇數值的女性不到 40%。一個幾乎全面覆蓋中年女性的篩檢平台，若能同時分流心血管風險，將在不新建任何設施的前提下解決這種落差。

從海報走向臨床

ESC 專家在肯定之餘，也謹慎地附上但書。ESC 溝通委員會專家委員 Elena Arbelo 稱這些發現「極具說服力」，但強調「現在的挑戰是建立準確性與可靠性——從實驗走向臨床落地」。以色列團隊本身也仍在迭代：下一步包括提升模型準確度、降低偽陽性與偽陰性，並擴大可偵測的心臟疾病範圍。然而規模再大的回溯性世代數據，都必須通過前瞻性驗證的考驗——真正的檢驗是：標記出高風險女性，究竟改變的是分類，還是預後。

不過，落地路徑異常清晰。由於分析對象是本來就為了癌症篩檢而拍攝的影像，導入只需兩件事：把軟體接進影像工作流程，以及建立明確指引，規範模型標記出異常時該如何告知患者與醫師。這是法規與流程問題，而非硬體問題——Emory 團隊呼籲將 AI 鈣化報告納入既有乳房攝影計畫時，得到的正是同一個結論。

在本屆以 AI 為主題亮點的年會上，特拉維夫的成果提醒了世人醫療 AI 最能立竿見影之處——不是取代醫師，而是從全球每年已經產生的數億張影像中萃取公共衛生訊號，而且是為醫學長期以來最傾聽不足的那群患者而做。