美顏針可以用 AI 做療程前後的臉部影像量測，但 AI 目前只能回答「照片裡的皺紋、色素或毛孔變了多少」，無法單獨回答「這次療程對這位患者是否有效、是否適合繼續」。2025 年一項 72 名女性的隨機試驗，採用標準化照片、全球美容改善量表與受試者回報，評估顏面與身體針灸的結果。該隨機試驗全文

如果你還沒分清楚療程效果、禁忌與費用，可先看中醫美顏針完整指南：效果、次數、費用與禁忌；已經施作後想確認瘀青、出血或回診警訊，則可讀美顏針術後照護與就醫警訊。本文往前一步，專門處理 AI 影像評估能做到哪裡，以及診所拿出一個分數時還缺哪些證據。

研究人員以固定角度臉部照片比較美顏針療程前後的皺眉紋
標準化臉部影像可協助比較療程前後的外觀變化（示意圖）

先分清楚影像量測與臨床療效

前述試驗把 72 名 30 至 59 歲女性隨機分成治療組與等待組。治療組每週接受兩次顏面與身體針灸，連續 6 週；研究人員在第 0、7、12 週，用標準化照片評估靜止與最大皺眉時的眉間紋，也記錄滿意度與生活品質。試驗方法與結果

第 7 週，治療組靜止狀態的眉間紋改善比例為 63%，最大皺眉時為 72%；第 12 週追蹤時，兩項比例分別為 68.6% 與 57.2%。研究期間沒有嚴重不良反應，輕微出血出現在 4.86% 的治療次數，瘀青為 0.69%。這些數字反映的是一套特定針灸療程與臨床評估，不等於任一 AI 皮膚分析 App 的準確率。試驗全文

AI 臉部分析的研究則處理另一個問題。以一套用臨床專家判讀訓練的系統為例，研究者用 120 張 10 至 60 歲韓國女性臉部影像，分析皺紋、色素、毛孔與紅斑等項目，模型分數與專家視覺評估呈顯著相關。原始研究摘要 這支持 AI 做「外觀特徵量測」的可行性，沒有直接證明它能判定美顏針療效、疼痛改善或患者是否該接受下一次療程。

AI 看照片怎麼運作

臉部影像、資料集與皮膚科專家標註連成一條分析流程
AI 臉部分析會把照片特徵對照訓練資料中的專家標註（示意圖）

一套臉部影像模型通常會先定位臉部，再從照片擷取皺紋、色素、毛孔、泛紅或下垂等可見特徵，最後把特徵轉成分數或分類。這條流程的「答案」來自訓練資料中的標註規則；前述韓國研究明確把臨床專家判讀作為訓練與驗證依據。研究摘要

我把它翻成臨床導入語言：AI 量到的是影像上的代理指標，患者在意的則可能是外觀滿意度、表情自然度、疼痛、出血、生活品質或是否願意再做。這幾個終點不在同一個資料欄位裡，產品若只展示皺紋分數，醫師與患者仍要看完整評估內容。前述美顏針試驗同時記錄 GAIS、受試者滿意度與生活品質，正好說明臨床結果不能縮成一個影像數字。試驗評估項目

三個影像評估陷阱

同一張臉在不同光線與表情下的 AI 影像評估差異
拍攝條件與表情會影響臉部影像的標註與評分（示意圖）

陷阱一：把拍攝差異當成療效

影像前後比較至少要固定角度、距離、光線、相機、表情與拍攝時間。Augsburg 大學醫院的影像標註試驗納入 25 名健康志願者，由 4 名具皮膚科經驗的評分者比較靜態照片與表情影片；影片中的皺紋、下垂、毛孔或眼下暗沉，在部分指標上的評分高於照片，評分者之間也有顯著差異。原始研究與全文連結

這對美顏針尤其實際：療程前後若一張自然放鬆、另一張用力皺眉，或一張在診間環形燈下、另一張在家中窗邊拍攝，模型分數的變動就可能同時混入表情與光線效果。診所若拿前後照做宣傳，至少要把拍攝規格與是否由人員覆核寫清楚。

陷阱二：模型看過誰，決定它比較會看誰

韓國臉部皮膚模型的 120 張影像來自韓國女性；另一項 2025 年模型研究則用 3,662 張由皮膚科醫師標註的臉部彩色照片，預測膚色類型、色素、泛紅與皺紋嚴重度。該研究最佳模型在測試集的平均準確率為 85.41 ± 9.86，平均 AUROC 為 0.8306 ± 0.096，且在量表兩端的表現高於中間模糊區間。模型研究摘要

這些數字不能直接拿來替台灣美顏針患者背書。年齡、性別、膚色、相機、疾病狀態與是否剛做完侵入性療程，都會改變輸入分布；若供應商沒有提供台灣目標族群或相近臨床場景的分層結果，總平均分數的參考價值有限。

陷阱三：把外觀指標當成患者獲益

皺紋變淡、色素分數下降，和患者覺得自然、滿意、少痛、少出血，屬於不同終點。前述隨機試驗把外觀、滿意度與生活品質分開記錄；影像 AI 研究則多半驗證模型與專家外觀評分的一致性。美顏針隨機試驗、臉部影像 AI 研究

因此，AI 分數適合當成回診時的共同語言，讓醫師與患者比較同一套影像指標；它不能取代問診、皮膚與全身狀態評估，也不能替患者決定要不要加做療程。這是根據上述研究的評估終點差異做出的實務判斷。

台灣現況：先看預期用途，再談 AI 醫材

電腦畫面顯示臉部皮膚影像分析與量測標記
臉部影像分析軟體仍要回到預期用途、驗證資料與人工覆核（示意圖）

台灣 TFDA 的 AI/ML 醫療器材軟體技術指引，把這類軟體描述為使用臨床資料，包含量測數據、資料庫或影像，透過訓練來模擬人類推論或自主學習，並調適效能的醫療器材軟體；指引也說明，若 AI 只提供醫材的一部分功能，仍可能適用相關審查思考。TFDA AI/ML 醫療器材軟體技術指引

產品名稱有沒有 AI，決定不了它是否列管。TFDA 的申請說明要求先依台灣分類分級規定判斷產品是否屬醫療器材，再看預期用途、技術特點與國內類似品；對搭配 AI 演算法、風險較高或有臨床安全與效能疑慮的新興醫材，TFDA 也說明可能要求臨床證據並送醫療器材諮議會審議。TFDA 醫療器材許可證申請方式、TFDA 醫療器材諮議會

截至 2026 年 9 月 3 日，TFDA 網站仍維護 109 至 114 年核准應用 AI/ML 技術的醫療器材清單，頁面註明 2026 年 6 月新增 1 筆國產 AI 醫材、8 月新增 2 筆輸入 AI 醫材。TFDA 核准清單 這份清單適合拿來查產品是否有台灣核准脈絡，不能把「清單裡有 AI 醫材」推成「所有臉部分析 App 都有醫療用途」。

醫院若把臉部影像上傳外部服務，還要處理資料流與人工覆核。衛福部 2026 年《醫療機構應用生成式人工智慧指引》雖然主要針對生成式 AI，仍把病歷、影像、語音的敏感資料處理、資訊正確性、資料安全與全生命週期治理列為導入檢視項目；該文件屬行政指導，並非強制性規定。衛福部醫療機構生成式 AI 指引

我會要求診所與供應商交出這五項資料

第一，寫清楚產品的預期用途：它是做前後照量測、研究資料整理、治療規畫輔助，還是宣稱能診斷或推薦療程。用途不同，驗證與法規問題就不同。TFDA AI/ML 技術指引

第二，要求分層資料，不只看一個總平均：年齡、性別、膚色、拍攝設備、表情、療程種類與評估時間點都應列出。TFDA 的 AI/ML 問答集要求業者說明資料來源、納入排除條件、資料產製歷程與目標族群代表性。TFDA AI/ML 查驗登記問答集

第三，確認拍攝流程能不能重現：固定背景、距離、光線、角度與表情，並保留原始影像、模型輸入與輸出。沒有可重現的輸入，前後分數就很難追溯。

第四，問清楚誰覆核、誰可以推翻 AI、誰負責告知患者限制。TFDA 問答集把人因與可用性評估放進產品風險管理，要求考量預期使用者、使用環境、操作介面與訓練。TFDA 人因與可用性說明

第五，留下模型版本與更新規則。TFDA 問答集指出，AI/ML 醫材軟體變更後應做風險評估，依變更範圍執行部分或完整確效，必要時重新評估模型效能。TFDA 軟體變更與確效說明

我的取捨很直接：美顏針可以用 AI 幫忙把影像量測做得更一致，臨床決策仍要把外觀、患者感受、安全反應與適用性放在同一張紀錄裡。診所展示一個「改善百分比」之前，先把資料族群、拍攝規格、臨床終點與人工覆核攤在桌上，這才是患者能理解、醫療團隊能追責的導入方式。

常見問題

美顏針前後照片交給 AI，比肉眼判斷準嗎？
AI 可以把皺紋、色素或毛孔等外觀特徵量化，讓同一套照片規格下的比較更一致。它的結果仍受拍攝條件、訓練資料與標註規則影響，不能把模型分數直接當成完整療效判定。

看到 AI 顯示改善 70%，代表美顏針有效嗎？
這要先確認 70% 代表什麼，是皺紋面積、專家評分、患者滿意度，還是其他指標。2025 年美顏針相關隨機試驗把外觀、滿意度與生活品質分開評估，單一百分比不足以代表全部結果。

診所使用 AI 臉部分析，需要查 TFDA 許可證嗎？
先看產品在台灣宣稱的預期用途與功能，再依 TFDA 的分類分級與醫療器材規定判斷。若軟體涉及醫療用途或 AI/ML 醫療器材功能，應要求業者說明核准脈絡、目標族群、臨床驗證與更新管理，不能只看產品名稱或行銷頁面。