臨床版代理式 RAG 上線醫院實測：7,326 次判讀中 96.5% 獲醫師採納

一篇登上 Hugging Face 熱門榜的論文，發表了名為 ACIE 的臨床資訊抽取系統，而且不是停在實驗室——它已在德國埃森大學醫院實地部署。病患的脈絡往往橫跨數百份格式各異的文件、數千個結構化資料點，而 AI 拿來檢索與分流所需的「文件層級中介資料」常常缺失或不完整。標準的檢索增強生成（RAG）在這種資料上會失靈，搞錯時間順序、跨文件依賴與缺漏的中介資料。

ACIE 的做法是上一套「代理式」RAG 管線，在院內本地運行，能對完整病患脈絡進行推理，並把每一個答案都錨定回原始段落，方便臨床醫師逐句查驗。研究團隊量化了中介資料的缺口、交代了它如何形塑系統的架構決策，並搭配一項獨立的回溯性淋巴瘤登記研究來評估——由核醫科醫師把每一個被抽取出來的數值，對照其引用來源逐一驗證。

結果是關鍵。在 7,326 次判讀中，臨床醫師接受了其中 96.5% 的抽取結果。這個數字之所以重要，在於它來自真實醫院、真實醫師的逐項把關，而非乾淨測試集上的跑分。它示範了一條讓 AI 進臨床的務實路徑：不求模型自己拍板，而是把每個結論都附上可查證的出處，讓專業人員保有最後的判斷權。對所有想把 AI 導入高風險領域的團隊，「答案可溯源」這一點，比準確率本身更值得抄作業。