如何評估中醫 AI 是否可信：診斷推理、藥材溯源、炮製管控的 3 層核心問題

技術上已有系統整合脈診、面診、舌診、問診四個診斷維度，但能建立信任的前提，是辨證推理過程可以被閱讀和驗證，而非只看輸出結論。

中醫四診合參的核心邏輯是「多源訊號的綜合判斷」。在傳統學習脈絡中，辨證思路依靠師承口授，透過大量臨床案例和師生討論逐步內化，很難轉換成可系統化傳遞的形式。

當 AI 被引入這個場景，問題就出現了。若只讓大型語言模型（LLM）直接學習中醫診療記錄，輸出辨證建議，推理過程仍然是黑箱，使用者只能看到「結論」，卻無法追溯「這個結論依據哪些規則推導出來」。

往下追問一層：為什麼黑箱輸出在中醫場景特別成問題？

第一，中醫辨證需要可視化的思路交接。 師承傳遞的核心機制在於思路的可讀化移轉，若 AI 的辨證邏輯無法被閱讀，年輕中醫師從中學習辨證思路的機會就大幅壓縮，「賦能傳承」便淪為空話。

第二，醫療場景需要責任追溯。 臨床人員需要能判斷「這個建議合不合理」，推理路徑不透明的建議，在臨床場景很難取得足夠信任。

第三，辨證規則的品質決定系統邊界。 同一組症狀在不同辨證框架下可能導向不同結論，若規則沒有被明文化，使用者無從得知系統用的是哪套框架、適用於什麼情境。

解法的方向由此清楚：讓辨證邏輯從設計起點就具備可審閱的結構。具體路徑包括：將辨證判斷依據整理為明文規則（如八綱辨證、臟腑辨證的規則庫）；讓每個推理結論都記錄完整的判斷路徑；提供建議時標示所依賴的證據來源。

根據 Tian D et al.（2024）的系統性回顧，機器學習在四診各維度的應用已有相當進展，但核心挑戰在於診斷標準的主觀性與資料品質不一致，使得跨機構驗證仍然困難。技術能力的提升和信任體系的建立，需要同步推進，無法相互替代。

品質風險分布在自然變異與刻意造假兩大類型，前者來自種植、加工、儲存的管理缺口，後者來自利益驅動的產地造假與以次充好，兩類問題的成因不同，管控機制也不能一概而論。

討論中藥安全，容易把問題簡化成「重金屬超標」或「農藥殘留超量」。這兩個指標固然重要，卻只是整個品質鏈的末端截點。只盯末端，就會錯過問題真正形成的位置。

品質問題的形成，分成兩類性質截然不同的來源。

第一類：供應鏈的自然品質變異

這類問題源於種植、加工、儲存各環節的管理缺口：產地氣候與土壤差異造成同一藥材在不同產地的有效成分含量差異顯著，道地藥材的概念根深柢固但品質一致性難以在無溯源資訊的情況下保證；炮製技術的標準化缺口讓品質穩定性因廠而異；重金屬與農藥汙染在種植用藥不規範或土壤汙染的環境下難以避免；儲存流通中不當條件則可能引發發霉或二氧化硫殘留問題。

第二類：利益驅動的刻意造假

這類問題性質截然不同：它是針對品質管理機制漏洞設計的規避策略，根源在於利益驅動。

「道地藥材」在市場上享有顯著溢價。以當歸為例，甘肅岷縣的當歸往往是其他產區的數倍價格。這種溢價結構為「洗產地」提供了強烈的利益動機：將低價產區藥材透過文件偽造或重新包裝，以道地藥材名義流入市場。洗產地的特殊之處在於：送去終端抽樣的藥材成分本身未必有問題，無法透過常規化學指標檢驗發現，問題出在產地資訊的真實性上，而這恰恰是現有末端把關機制最難驗證的環節。Zhou L et al.（2026）的研究顯示，即便是同一品種的當歸，甘肅岷縣與其他產區的樣品，化學指紋（中紅外光譜）仍有顯著差異，這提供了產地辨別的技術基礎，但前提是建立可信任的對照資料庫。

以台灣為例，衛生福利部食品藥物管理署（TFDA）對中藥材設有邊境查驗機制，進口藥材須通過抽批檢驗，不合格者退運或銷毀；國內中藥廠製造的濃縮製劑，出廠前須符合中藥優良製造規範（GMP）。

現有技術在受控條件下已能達到高準確率的藥材辨識，但更精密的造假手段（如針對特定檢驗指標加料）正在把問題從「辨識形態」推向「辨識真實化學組成」，技術有效的邊界取決於整條供應鏈的採集與治理設計。

電腦視覺（Computer Vision）與深度學習（CNN、ViT）可在大量標注圖像中建立藥材視覺特徵與品種的對應關係，對未知樣本進行分類鑑別。在可見光圖像之外，近紅外光譜（NIR）能在不破壞樣品的情況下快速取得藥材的化學指紋，特別適合現場快篩。Sun X et al.（2021）展示了 NIR 搭配化學計量學在山楂粉中快速偵測摻假物（麥芽糊精、澱粉）的可行性，適合應用於多種草本植物或功能性食品的摻假快速偵測。

造假的動機來自利益，手段也在持續演進，越來越針對性地鎖定防偽機制本身的邏輯漏洞。

比洗產地更難被常規檢驗抓出的，是「加料通過檢驗」。造假者掌握官方或採購方所用的指標成分（如黃芪的多醣含量），在送檢批次中刻意添加足量目標成分使其達到合格標準，實際出售的大量藥材品質卻遠低於此。這種做法針對「以指標成分濃度判斷合格」的管控邏輯進行設計，讓末端化學分析成為可被操控的環節。

Yang J et al.（2021）針對黃芪摻假偵測的研究顯示，採用全光譜化學指紋（中紅外光譜結合化學計量學）分析整體化學組成比例，辨識準確率可達 95% 以上，因為整體組成比例的異常難以用加料方式完全掩蓋。「測目標成分」和「分析整體化學指紋」在防偽策略上有根本差異：前者提供單點驗證，容易被針對；後者要求多維度的組成模式一致，偽造門檻更高。

更關鍵的問題在於資料採集點的設計。若辨識系統只部署在流通末端，即使辨識準確率很高，依然無法防止造假發生在更上游的環節。技術的有效邊界，取決於供應鏈中哪些節點有可信的採集機制，供應鏈治理的設計決定了技術能發揮多大的作用。

炮製涉及工藝師的感官判斷與操作經驗，這類隱性知識的數位化面臨資料稀少、標準化程度低兩個根本難題，製程感測化與光譜快篩是目前最可行的切入路徑。

炮製是中醫藥最具工藝性格的環節。「蜜炙黃芪」和「生黃芪」的功效差異、「制附子」與生附子之間的毒性變化，都取決於炮製過程中的溫度、時間、輔料比例，以及操作者對火候、色澤、香氣的感官判斷。傳統的品質判斷標準大量依賴個人經驗，很難透過文字或數字完整傳遞，當資深炮製師退休，部分工藝知識可能隨之流失。

AI 介入炮製品質管控，目前主要有兩個方向：

製程感測化：透過溫度、濕度感測器與影像識別，即時記錄炮製過程關鍵參數，建立「製程數據」與「品質指標」之間的對應關係，讓炮製過程從依賴操作者主觀判斷逐步過渡到可量化的製程控制。

有效成分的快速分析：用 NIR 或其他光譜技術，在炮製完成後快速確認有效成分含量是否達標，取代部分傳統感官評估，讓品質判斷有更客觀的依據。

這兩個方向都有技術可行性，但落地的前提是：有意願投入數位化改造的炮製廠、足夠資料量建立可靠模型，以及採集過程不因成本考量而犧牲品質。炮製廠的商業利益和品質真實性之間存在張力，若無外部稽核機制，再好的數位化工具都可能淪為形式。

信任體系需要技術、法規與組織治理三個層次同步推進。任何一層缺失，其他層次的努力都難以轉化為長期可信的系統。

前面三個面向（診斷、藥材、炮製）放在一起，可以看到共同的底層結構：中醫現代化的核心挑戰，是讓高度依賴個人經驗與人際信任的知識體系，轉換成可被數位記錄、系統驗證、跨機構傳遞的形式。技術是工具，決定了「某些過程能否被記錄、比對、計算」。記錄下來的資料要被信任，還需要兩個更重要的條件：

法規框架定義邊界：什麼樣的辨識精確度才能在臨床場景使用？藥材溯源資料需要記錄到哪個層次才算合規？炮製品質的數位記錄要保存多久？這些是法規設計的範疇，技術本身無法自行回答。

組織治理決定資料品質：資料採集的責任屬於誰？品質由誰審核？資料出現異常時，誰負責啟動稽核？技術平台可以建立資料流，但資料流的可信度，取決於組織是否真的落實了對應的責任制度。沒有責任制度配套的資料，再多也很難建立信任。

技術、法規、組織，三者缺一不可。評估任何「中醫 AI」系統是否可信，最終要回到這三個層次同時檢視，而非只看準確率數字。