目前報告基本上還是要由醫師來完成，多買AI輔助工具對醫院來說只是多花錢，也不能因此去砍醫師的薪水，除非能顯著增加醫師打報告的速度，不然醫師大概也不會想把報告的錢分給AI，就算解決了後端的報告問題。前端的影像量（X光、電腦斷層、核磁共振）如果沒有增加，醫院端的收入其實也沒有增加，所以引進AI對醫院的吸引力有限。我們目前引進的X光判讀系統的用處，主要是要排除一些我們漏掉的東西，等於是讓AI幫我們檢查一下，降低疏失的機率。

再來是廠商這端的問題，廠商基本上希望能讀一張影像賺一次錢，但是醫院基本上不可能讓廠商安裝外掛的程式去計算使用量，畢竟你無法保證AI的廠商收集了什麼資訊，目前的解決方法有點像是國稅局查攤商的收入，廠商用目前的報告量去推估一年的收費是多少。但目前說的是一張X光的判讀，如果是電腦斷層或是核磁共振，一組下來都是上百張影像，而且各自有關聯，如果還要串接臨床的症狀與病史，還有比較舊的影像去比較變化，我目前是無法想像需要的成本是多少，也許有朝一日能夠實現合理的價格。

去年去參加北美放射科醫學會年會，再加上LLM的蓬勃發展，我覺得未來AI在放射科工作的發展有兩方面，透過LLM，把影像變成製作完整的報告變得可能，目前頂多是在影像上標註一些發現，但是拿LLM報告製作完成後，以目前的模型偶爾會出現錯誤的狀況下，一定還是需要醫師覆核。但是在衛教或是報告的解釋，尤其台灣的報告基本上是英文為主，若能很好的轉譯成病人能懂的報告，也是很有價值的應用，這樣應該能解答病人大部分的問題，病人有問題再來詢問。

另外放射科的工作流程上也有很多可以讓AI幫助的地方，從幫助臨床醫師建議適合的檢查，到安排排程，到檢查影像的處理與加強，都是AI可以發力的地方。