凌晨兩點，急診菜鳥醫師上班時一位跌倒撞到頭的 70 歲阿伯來診，意識有點模糊；開了 Head CT、影像已上傳到 PACS，但認識的放射科學長今天沒值班，要到早上八點才會來。盯著螢幕上那顆腦袋，看起來好像有一小塊…
三更半夜你的 AI 同事永遠不會打瞌睡｜Harrison.ai 改寫全球放射科影像 Rulebook
凌晨兩點，急診菜鳥醫師上班時一位跌倒撞到頭的 70 歲阿伯來診，意識有點模糊；開了 Head CT、影像已上傳到 PACS，但認識的放射科學長今天沒值班，要到早上八點才會來。盯著螢幕上那顆腦袋，看起來好像有一小塊 Hyperdensity，但不確定那是硬膜下出血還是鈣化？如果判斷錯了，後果可能很嚴重。這個場景，每天在全世界的醫院裡上演成千上萬次。
現在想像另一個版本，同樣凌晨兩點、同樣的阿伯，但這次影像上傳後 2 分鐘系統跳出一個通知，AI 已經掃過這張 CT，標記了疑似急性硬膜下出血 SDH、沒有中線偏移或阻塞性水腦，信賴度 92%；你不是盲目相信它，但它給了一個明確的第二意見，讓你更有信心做下一步的臨床決策。這是澳洲一家叫做 Harrison.ai 的公司，現在正在全球超過 40 個國家、1,000 多家醫療機構做的事。
你可能會想：醫療 AI 我聽太多了，這幾年哪家新創不在喊 AI？沒錯，但 Harrison.ai 跟你聽過的那些不太一樣；多數醫療影像 AI 公司做的是「窄而深」，專門偵測肺結節、中風，一個產品對付一種病；Harrison.ai 走了一條完全相反的路：他們的胸部 X 光 AI 一次偵測 124 項臨床發現、Head CT AI 偵測 130 項，2025 年底推出的 Chest CT AI 更誇張，有 167 項。前述數字是主要競爭對手的四到六倍，他們不是做一把狙擊槍，而是在你的閱片室裝了一整面雷達牆。
根據美國 Neiman Health Policy Institute 在 2025 年發布的研究，如果不採取任何對策，美國的放射科醫師短缺會一路持續到 2055 年，2055 年！那是三十年後的事。英國更慘，每十萬人只有 8.5 位放射科醫師、歐洲平均是 13 位，全球約 80% 的醫療體系報告人力不足。培養一位成熟的放射科醫師，從醫學生起算約需要 12 年，就算現在立刻把住院醫師名額翻倍，新血最快也要數年後才能投入臨床。在這漫長的空窗期裡，AI 不是錦上添花，而是沒有它有些系統就撐不下去，是全世界的急診、放射科、社區醫院每天正在經歷的真實困境。2025 年正式邁入超高齡社會的台灣也逃不掉，放射科住院醫師每年培訓約 40–50 人，追不上影像量的成長速度。
Harrison.ai 代表的不只是一家公司，而是一個正在發生的產業典範轉移：醫療影像 AI 正在從「可有可無的附加功能」變成「不可或缺的臨床基礎設施」這關係到未來二十年放射科醫師的工作方式，也是個年複合成長率 30% 以上的市場，而我們才剛走到起跑線。
兩個越南兄弟的澳洲夢與改變全球醫療的野心
Harrison.ai 的故事，要從一對越南裔澳洲兄弟說起。哥哥 Dimitry Tran 某天因為嚴重胃潰瘍被送到急診，結果等了好幾個小時才看到醫師，他說：「我們活在一個可以隨時叫到計程車、秒訂到機票的時代，但在你最脆弱的時候去就醫，卻要在走廊上等到天荒地老。」弟弟 Dr. Aengus Tran 則是正牌的醫師，2018 年從新南威爾斯大學（UNSW）醫學院畢業，他在臨床訓練中看到另一個更根本的問題：培養一位能獨立判讀影像的放射科醫師，從大學到完訓至少要 12 年。在 AI 的世界裡，12 年前 iPhone 都還沒有 Siri，醫療人力的供給速度，根本追不上影像檢查量每年 3–5% 的成長。兩兄弟因此在 2018 年合夥創業，決定用 AI 來擴充全球醫療體系的診斷產能，公司名字取自醫學生人手一本的《Harrison’s Principles of Internal Medicine》，象徵「全面」，而回看他們的產品策略，這名字取得還真是有先見之明。
有趣的是兩兄弟的背景完全互補，Dimitry 走商業路線，有新南威爾斯大學 AGSM 的 MBA 學位，負責策略和融資；Aengus 走技術和臨床路線，是公司的 CEO 兼首席技術方向制定者。兩人出生在胡志明市，父親是越南全國數學課綱教科書的編撰者，從小就教他們寫程式，解釋了為什麼這對兄弟能同時理解「技術的可能性」和「臨床的現實」：Aengus 自己就是醫師，他知道放射科醫師每天的痛點在哪裡；而 Dimitry 的商業訓練讓他知道怎麼把一個臨床工具變成一門可規模化的生意。
而且（Harrison.ai 相當獨特的企業文化）公司裡的醫師人數比工程師還多，一家 AI 公司的醫師比工程師多在矽谷大概是異端邪說，但在醫療 AI 這個需要深度臨床理解的領域，反而可能是正確答案。多數醫療 AI 新創是工程師主導，做出一個技術上很厲害的模型，然後才去想怎麼塞進臨床流程裡；Harrison.ai 的做法相反，是醫師先定義「臨床上需要什麼」，工程師再想辦法實現。這個順序的差異，直接反映在產品設計上，為什麼他們要做 124 項全面偵測而不是只做一兩種高價值病灶？因為放射科醫師每天面對的就是一整張片子上所有可能的問題，不是只有肺結節。工程師主導的公司會問「哪個問題最容易用 AI 解決」，醫師主導的公司會問「臨床上最需要解決的是什麼」，這兩個問題的答案，往往截然不同。
他們的公司總部在雪梨，但版圖早就不只澳洲，英國、荷蘭、越南、印度都有辦公室，2025 年 2 月更在波士頓設了北美總部，正式進攻全球最大的醫療市場，團隊約 200 到 244 人。2023 年 7 月，一個重磅人物加入了董事會，就是特斯拉（Tesla）的董事長 Robyn Denholm。一家澳洲醫療 AI 新創請到特斯拉董事長來當董事？這代表 Harrison.ai 對未來的野心遠超過「做一個不錯的 AI 工具」這種層次。Denholm 同時也是 Blackbird Ventures 的營運合夥人，Blackbird 正好是 Harrison.ai A 輪的領投，投資組合裡有 Canva 和 SafetyCulture 這些澳洲最成功的獨角獸，把特斯拉董事長和一線創投的人脈同時帶進董事會，這步人事棋走得很到位。
用「合資」綁住產業龍頭的冷啟動策略
如果你問 Harrison.ai 做對了什麼事情讓它跟其他醫療 AI 新創拉開差距，答案可能不是「他們的演算法比較厲害」，說實話，演算法在頂尖團隊之間的差距沒有想像中大；Harrison.ai 真正厲害的是它的企業架構設計，他們用了一個在醫療 AI 圈非常罕見的合資孵化模式：跟產業龍頭一起成立子公司，讓子公司從第一天就有真實的臨床數據和部署通道。
第一個子品牌叫 Annalise.ai，2020 年跟澳洲最大的放射影像集團 I-MED Radiology Network 合資成立，I-MED 在澳洲和紐西蘭經營超過 250 間影像中心，每年處理幾百萬次影像檢查，代表 Annalise.ai 從出生的那一刻起，就泡在真實的臨床數據裡面長大。別家新創要花好幾年去談醫院合作、簽數據使用協議，Harrison.ai 直接跟數據源合資，2024 年 3 月，Harrison.ai 把 Annalise.ai 全資收購回來，2025 年 10 月統一品牌為 Harrison.ai Radiology。
第二個子品牌叫 Franklin.ai，2022 年 6 月跟全球診斷巨頭 Sonic Healthcare 合資成立，進軍數位病理 AI；Sonic Healthcare 是全球第三大臨床實驗室集團，年營收超過 80 億澳幣，名字致敬 DNA 雙螺旋結構發現的關鍵人物 Rosalind Franklin。Sonic 持有 Franklin.ai 49% 股權，同時又持有 Harrison.ai 母公司約 18% 的股份，等於雙重綁定，既是合作夥伴又是股東，利益完全一致。如果你是一家新創，最大的策略合作夥伴同時也是你的大股東，他有沒有動機幫你推產品？當然有，Sonic 在全球幾十個國家經營病理實驗室，如果 Franklin.ai 的產品做出來了，Sonic 自己就是最大的客戶和通路。
這個合資模式可能是 Harrison.ai 最被市場低估的策略優勢，若看其他的醫療 AI 新創，多數是先做出產品，再花好幾年去敲醫院的門、談合作、簽數據使用協議，過程中可能碰到各種問題：醫院的 IT 部門無法配合、數據品質不好、IRB 審查拖很久、好不容易拿到數據結果發現樣本數不夠。Harrison.ai 從第一天就跟手握數據和通路的產業巨頭綁在一起，等於跳過最辛苦的冷啟動階段，但這不是每家公司都學得來的，得有足夠的技術實力讓產業巨頭願意跟你合資，而不只是給出一紙合作意向書。
胸部 X 光：一張片子，124 個答案
先來解釋為什麼「124 項 Finding」這個數字很重要，你可能會想，偵測越多項不就越好嗎？問題是，做到 10 項跟做到 124 項，背後的技術難度和臨床驗證成本完全不是同一個量級。市面上多數胸部 X 光 AI 偵測 10 到 30 項，通常聚焦在 High-Value Lesion 像肺結節或氣胸，Harrison.ai 的 Enterprise CXR 卻一口氣覆蓋了從肺癌篩檢、肺結核、COPD、矽肺症、心臟擴大、肺水腫、到 ICU 管路位置監測和肋骨骨折，連肋膜鈣化、脊椎側彎這種「不一定會寫進報告但看到了會順便提一下」的東西都包進來，而且全部在 20 秒內完成分析。
為什麼要做到這麼全面呢？因為放射科醫師看片子的方式不是「我今天只看肺結節」，他們要看整張片子上所有可能的異常，如果你的 AI 只會偵測肺結節，那它不會告訴你同一張片子上的心臟擴大和肋膜積水，而那可能是更緊急的發現；Harrison.ai 的產品邏輯是做安全網（Safety Net），它不取代醫師，但確保任何重要發現不被漏掉，可以把它想成飛機的 TCAS（空中防撞系統）：機師當然會自己看窗外，但系統永遠在背景監控，如果有什麼不對勁，它會跳出來提醒你。研究一再顯示，放射科醫師最常犯的錯不是「看錯」而是「漏看」，尤其在值班看到第兩百張片子、眼睛已經開始對焦困難的時候。
在使用者介面上，他們的產品提供彩色定位疊圖和信賴度條形圖，整合進醫院的 PACS 系統，放射科醫師不需要額外開啟任何軟體，影像上傳後 AI 在背景自動跑，危急發現會自動觸發分診警示，把案例推到閱片清單最前面，整個過程無感嵌入，醫師感受到的不是「我要用一個新工具」，而是「片子旁邊多了一些有用的資訊」，這種設計哲學曾拿下 2024 年互動設計協會（IxDA Awards）的大獎。
假設你是一個在社區影像中心工作的放射科醫師，每天要看 200 張胸部 X 光，其中 180 張是「基本上正常」的健檢片子，你的眼睛和注意力在看到第 150 張的時候早就疲勞了。傳統做法是硬撐著看完，漏掉一兩個不明顯的肺結節或輕微的肋膜積水，其實很難避免，這不是你不認真，而是人腦的注意力就是有極限。有了 Harrison.ai 的安全網之後，即使你的眼睛累了，AI 在背景幫你把每張片子都掃過一遍，如果第 187 張片子上有一個你可能會忽略的 6 毫米小結節，AI 會用紅色疊圖標出來，信賴度條顯示 85%；你看到提醒之後重新仔細看那個區域，如果確實有，你會把它寫進報告裡，建議三個月後追蹤；這個簡單的動作，可能讓一個肺癌被提早半年甚至一年發現。
在澳洲的 Lungscreen Australia 計畫中，Harrison.ai 正在跟多家影像中心合作，利用 AI 優化肺癌篩檢工作流程；新加坡的 Parkway Radiology 在 2025 年宣布大規模導入，覆蓋旗下多間醫院和影像中心，是東南亞最大規模的放射 AI 部署案例；在香港，嘉諾撒醫院也已經開始使用。這些亞太地區的部署案例對台灣來說特別有參考價值，因為同樣面臨人口高齡化和放射科人力不足的挑戰，同樣有大量社區影像放射科需要品質把關的工具。
Brain CT：130 項 Findings，急診的救命稻草
Enterprise CTB 針對 Non-Contrast Brain CT，2 分鐘內偵測 130 項 Findings，包括 22 種中風亞型、各類顱內出血、水腦、腫瘤和腦萎縮，最猛的地方在於它是全球第一個同時拿到 FDA 許可偵測所有四種顱內出血亞型的分診設備，阻塞性水腦模組更拿到了 FDA 突破性設備認定（Breakthrough Device Designation），在放射 AI 領域是頭一遭，代表 FDA 認可這個技術對現有臨床實務有顯著改善潛力，2024 年 8 月更是拿到了 Medicare 新技術附加給付（NTAP），每次使用最高可申報約 1,012 美元，對美國醫院來說，這不只是好用、還能賺錢，想說服一個醫院導入新技術，最有效的方式永遠不是告訴他「這個 AI 很準」，而是告訴他「這個 AI 很準，而且保險給付。」
Chest CT：Cover 放射科近半數工作量
2025 年 11 月在 RSNA 發布的 Harrison.ai CT Chest 是第三條 Pipeline，已拿到歐盟 CE 認證，能偵測 167 項放射學特徵：肺栓塞、急性主動脈剝離、氣胸、肋骨骨折這些危急 Finding，還有肺癌、食道癌、胃癌、胰臟癌的偶發發現篩檢；Chest CT 是放射科工作量最大的影像模態之一，這條 Line 一上來，Harrison.ai 的產品矩陣就涵蓋了胸部 X 光＋Brain CT＋Chest CT，公司宣稱合計覆蓋放射科將近一半的影像檢查量，三項功能模組已分別拿到 FDA 突破性設備認定，510(k) 申請進行中。
Harrison.rad.1：讓 AI 自己寫報告的基礎模型
接下來個人認為是 Harrison.ai 最有爆發力的一張牌，2024 年 9 月發布的 Harrison.rad.1，是一款放射科專用的大型多模態視覺語言模型，就是一個能「看」影像又能「寫」報告的 AI，不是傳統的影像分類器（只會說「有結節」或「沒結節」），而是能夠理解整張影像的臨床脈絡，然後生成一份結構化的放射報告初稿。目前的偵測型 AI 像一位只會點頭搖頭的助手，而基礎模型的願景是一位能獨立寫出完整報告的 AI 同事，放射科醫師只需要審閱、修改、簽名，不是增加效率 10% 的改良，而是重新定義工作流程。
它的表現有多強？在英國皇家放射科醫師學院 FRCR 2B 快速考試模擬中得分 51.4/60，相當於通過專科醫師考試的合格水準；同一張考卷，GPT-4o 大約 25 分、Claude 3.5 Sonnet 大約 22 分、Gemini 1.5 Pro 大約 27 分，通用大語言模型的表現只有它的一半不到。2025 年 8 月更在 Mass General Brigham 和 ACR 舉辦的圖靈式盲測中，113 位放射科醫師無法可靠區分 AI 寫的報告和人類寫的報告，也就是連專科醫師都很難分出來哪份是 AI 寫的。如果這個技術最終通過監管核准，放射科的工作方式會徹底改變 ，問題只是什麼時候，不是會不會。
開放平台：零加價的陽謀
2025 年 11 月在 RSNA 發布的 Harrison.ai Open Platform，是一步很有意思的棋；醫院想用多家 AI 供應商的產品，傳統做法是每家都要做一次 PACS 整合，成本高、技術複雜、IT 部門會翻臉，市面上已有的 AI 市集平台（像 Nuance 或 Sectra 的 Marketplace）通常對第三方演算法抽 30–60% 的平台費。Harrison.ai 的做法是零加價，免費提供整合中介層，醫院直接跟演算法供應商付費，Harrison.ai 一分錢都不會抽，首批合作夥伴包括 AZmed（骨折偵測）、Nicolab（中風偵測）、Therapixel（乳房篩檢）等七家廠商。
為什麼要做這種佛心生意？想想看 Google 當年為什麼免費送 Android，不是因為 Google 想做慈善，而是因為它需要一個龐大的裝機基數來賣廣告和服務；Harrison.ai 的邏輯一樣：透過免費平台吸引大量醫院加入，建立起裝機基數，再靠自家的 CXR、CTB、CT Chest 訂閱費賺錢。你免費用我的平台沒關係，但你既然都裝了，要不要順便試試我們家的胸部 X 光 AI？好用的話再加 Brain CT？這叫做用平台養產品，而且醫院一旦把你的整合層裝進 PACS 系統裡面，要拆掉就非常麻煩，因為上面不只跑你的產品，還跑第三方的演算法，整個工作流程都已經依賴你了，這種黏著性是純粹賣單一產品的公司很難達到的。
這步棋的更深層意涵是它改變了競爭的維度，傳統上放射科 AI 公司之間的競爭是「我的演算法比你準」，大家在論文裡比 AUC、敏感度、特異性，但如果 Harrison.ai 成功建立起一個開放平台生態系，競爭就不再是「演算法 vs. 演算法」，而是「平台 vs. 平台」，平台競爭的護城河比演算法深太多了，因為平台有網絡效應：越多第三方加入，對醫院越有吸引力；越多醫院加入，對第三方越有吸引力。一旦轉起來，先行者的優勢會越來越大，這也是為什麼我說 Harrison.ai 的開放平台可能是它最具戰略意義的一步棋，儘管短期內看不到直接營收貢獻。
Franklin.ai：病理是下一個十年
如果放射 AI 是「現在式」，病理 AI 就是「未來式」；全球病理科醫師的短缺比放射科更嚴重 ，美國病理科醫師平均年齡超過 55 歲，英國每年退休的比新訓完成的還多，而且隨著精準醫療的推進，病理檢體的分析複雜度只會越來越高，免疫組織化學染色、分子標記物檢測、基因定序配對，每一項都需要病理科醫師投入更多時間和專注力。需求在增加，供給在減少，這跟十年前放射科面臨的困境幾乎是一模一樣的劇本，Harrison.ai 跟 Sonic Healthcare 合資的 Franklin.ai 正在開發 Digital Prostate 產品，能在前列腺穿刺 Biopsy 和 TURP 檢體上偵測 45 項臨床 Findings，包括 Gleason 分級惡性腫瘤。不過坦白說，這條 Pipeline 目前還處於僅限研究用途（Research Use Only）階段、沒有拿到任何監管許可，但 Sonic Healthcare 在 2024 年跟 Roche 簽了十年的全球數位病理合作協議 ，如果 Franklin.ai 的演算法未來能透過 Roche 的全球通路部署，那格局就完全不一樣了。
臨床證據：硬底子，但別照單全收
在醫療 AI 這個圈子，有沒有在頂級期刊發表過 Peer-Review 論文基本上就是區分「認真」和「PPT」公司的分水嶺，Harrison.ai 在這方面是有硬底子的，累計超過 40 篇研究，包括好幾篇發在大家看了會肅然起敬的期刊。最重要的一篇是 2021 年發表在《Lancet Digital Health》的 MRMC 研究，20 位放射科醫師、2,568 例胸部 X 光，每位在有和沒有 AI 輔助的情況下分別判讀，結果 AI 輔助使 124 項發現中的 102 項表現顯著提升、平均診斷準確度改善約 45%、閱片速度快了 12%，而且沒有任何一項變差，這個只升不降的結果非常重要，如果 AI 在某些項目上反而讓醫師表現更差，那臨床端根本不會買單。2022 年《JAMA Network Open》的氣胸偵測研究報告 AUC 0.979，敏感度 94.3%、特異度 92.0%；2024 年《AJNR》的腦部 CT 研究敏感度和特異度均超過 89.8%。
真實世界數據更有故事性，蘇格蘭 NHS Grampian 從 2022 年開始用 Harrison.ai 的胸部 X 光 AI，報告指出肺癌平均提早 10 個月被抓到、62 天癌症等待目標達成率從 52% 提升到 100%。「提早 10 個月」在肺癌的脈絡下代表，肺癌如果在第一期被發現，五年存活率超過 60%；如果拖到第三、四期，就剩不到 10%。提早 10 個月被發現，很可能就是「可以開刀」跟「只能化療」的差別。曼徹斯特 Wythenshawe 醫院的數據是每月標記超過 4 萬張掃描，估計避免了約 1,400 次不必要的 CT 和 1,000 次不必要的緊急轉介，這不只是更準、還替 NHS 省了一大筆錢。在英國，Harrison.ai 的胸部 X 光 AI 已透過 NHS AI Award 計畫部署至超過 40 個 NHS Trust，覆蓋英格蘭北部和約克郡大部分地區。
在美國，最具標誌意義的合作夥伴是 Mass General Brigham（MGB），包含 Massachusetts General Hospital 和 Brigham and Women’s Hospital，全美規模最大的學術放射科系統之一，每年處理超過 200 萬次影像檢查，2023 年 RSNA 上宣布的合作涵蓋部署、共同開發和聯合研究三個面向；MGB 的背書，對 Harrison.ai 進軍美國市場是一張非常有分量的名片，他們去跟其他美國醫院推銷的時候，能說「Mass General 已經在用了」，效果完全不一樣。此外，Sonic Healthcare 旗下超過 120 間放射影像中心也在 2024 年 9 月同步導入了 Brain CT AI，是目前為止最大規模的單一客戶部署案例。
我們還是必須講幾句不太好聽但很重要的話，首先多數研究由 Annalise.ai 資助，作者群裡有公司員工，這在醫材產業是常見做法，不代表研究造假，但在讀的時候要帶著這個意識；第二，NHS Grampian 那些很漂亮的真實世界數據，目前主要出自公司部落格和新聞稿，還沒以正式同儕審查論文發表；第三，至今沒有大規模隨機對照試驗來驗證 AI 對病人最終預後的影響，現有研究衡量的是準確度和效率，不是 Hard Endpoint 如死亡率或存活率，這些侷限不代表產品不好，但臨床端不應該照單全收。
監管：12 張 FDA 門票，和一場大膽的豪賭
在醫療器材領域，監管許可就是你的入場門票，沒有它，你的產品再好也只能在實驗室裡孤芳自賞。Harrison.ai 目前手上有 12 項 FDA 510(k) 許可（5 項 CXR、7 項 CTB）、歐盟 MDR Class IIb CE 認證、澳洲 TGA 註冊，外加新加坡、香港、紐西蘭、丹麥等 40 餘國的許可，2023 年首次拿到 FDA 許可，同年又拿到突破性設備認定，CT Chest 的三項模組也已拿到突破性認定，510(k) 審查中。在醫療 AI 這個監管密集的領域，每一張許可都代表了幾百萬美元和好幾年的投入，而且這個投入是有門檻效應的，拿到第一張許可最難，後續的許可因為有了前例和經驗，通常會快一些。Harrison.ai 現在有 12 張，代表他們可能已經跨過了最艱難的學習曲線。
但 2025 年 10 月，Harrison.ai 做了一件讓整個業界有些傻眼的事：向 FDA 提交了一份公民請願書，主張部分低風險放射科 AI 設備應該免除上市前審查，簡直是捅了馬蜂窩，ACR 和 RSNA 兩大放射醫學會立刻跳出來反對，擔心放寬監管會危及病人安全；STAT News 在 2026 年 2 月的報導指出，這場辯論的核心不只是 Harrison.ai 一家公司的策略，而是整個醫療 AI 產業「創新速度 vs. 安全審查」的根本張力。這步棋風險很大：如果成功了，Harrison.ai 在美國市場的產品上市速度可以大幅加快；如果失敗了，還可能得罪了未來需要長期合作的學術組織。是勇敢還是魯莽？現在還不好說。
順帶一提，Harrison.ai 在 2021 年曾面臨一次隱私爭議 ，澳洲資訊專員辦公室（OAIC）調查了 I-MED 將病人影像數據用於 AI 訓練的問題，2023 年結案，OAIC 認定相關組織已採取適當措施。結果是好的，但這個事件提醒我們一件很根本的事：醫療 AI 的原始材料就是病人的數據，而數據的取得和使用永遠走在法律和倫理的灰色地帶，Harrison.ai 透過合資模式拿到了 I-MED 和 Sonic Healthcare 的海量臨床數據，這是它的核心競爭力，但同時也是它最脆弱的一環。如果未來哪天出了一個重大的數據隱私訴訟案，不管最終結果如何，光是訴訟本身就可能讓合作醫院產生疑慮、讓監管機構更加謹慎。在醫療 AI 的世界裡，「信任」是最值錢也最脆弱的資產。
從台灣的角度來看，這個隱私議題也值得我們認真思考，台灣有《個人資料保護法》，但對於醫療影像數據用於 AI 訓練的規範還不夠明確。如果未來有台灣的醫院或影像中心想要導入類似 Harrison.ai 的產品，或者反過來想要用台灣的臨床數據去訓練自己的醫療 AI 模型，病人同意、去識別化標準、數據跨境傳輸等問題都需要先釐清。這不是技術問題，而是法律和倫理問題，但它會直接影響技術的發展速度和部署範圍。
錢：2.4 億美元從哪來，花到哪去
Harrison.ai 的融資歷程很標準的三級跳：2019 年 A 輪澳幣 2,900 萬元（約 2,000 萬美元），Blackbird Ventures 領投，李嘉誠的 Horizons Ventures 和 Atlassian 共同創辦人的家族基金 Skip Capital 跟投；2021 年 B 輪澳幣 1.29 億元（約 9,200 萬美元），Horizons Ventures 再次領投，Sonic Healthcare 和 I-MED 以策略投資人身分加入，這一輪催生了 Franklin.ai 病理合資公司；2025 年 2 月 C 輪 1.12 億美元，由 Aware Super（管理 1,900 億澳幣的退休基金）、ECP Asset Management 和 Horizons Ventures 共同領投，澳洲政府的國家重建基金（NRFC）以 3,200 萬澳幣首次投資醫療科學領域。累計超過 2.4 億美元、投資人名單很漂亮，但有一個關鍵數字公司堅決不說：估值。TechCrunch 在 C 輪報導裡寫到他們「拒絕評論估值」，第三方平台 UpMarket 估約 3.97 億美元，Capital Brief 暗示可能在 7 到 10 億美元區間，但都沒有得到公司確認。估值不透明，不是說公司一定有問題，但我們連買價都不知道，怎麼判斷貴不貴？
不過從投資人的組成可以讀出一些有趣的訊號，Horizons Ventures 從 A 輪跟到 C 輪，連續三輪都參與，李嘉誠的基金不是慈善機構，連續加碼代表他們對公司的成長軌跡滿意；Aware Super 是管理 1,900 億澳幣的退休基金，這類機構投資人對風險的容忍度很低，它們願意進場代表 Harrison.ai 的商業前景已經不只是夢想的層次；而澳洲政府的國家重建基金是第一次投資醫療科學，等於政府用真金白銀在說「我們相信這家公司代表澳洲的未來產業」；至於 Blackbird Ventures，從 A 輪就進場，投資組合裡有 Canva 這種百億美元估值的公司，它對 Harrison.ai 的判斷和出場策略，某種程度上反映了澳洲最聰明的創投對這家公司前景的看法。
財務方面，FY2024（截至 2024 年 6 月）營收澳幣 475 萬元，帳面淨利 440 萬是因為 Annalise.ai 併購的估值重估灌了 4,765 萬的一次性收益；扣掉這筆，實際營運虧損約澳幣 4,326 萬元。475 萬的營收、4,300 萬的虧損，燒錢速度確實很快，如果把它跟同期的競爭者比，Viz.ai 的營收已經快要 5,000 萬美元、Lunit 也超過 5,000 萬美元，而 Harrison.ai 連 500 萬澳幣都還不到。這個差距不是量級的問題，而是在看一家公司處於商業化歷程的哪個階段，Viz.ai 和 Lunit 已經走到規模化收割的階段，Harrison.ai 還在「產品已經好了但客戶還在簽」的階段。
CEO Aengus Tran 說放射科產品的 ARR 已經連續三年翻三倍，三年翻三倍是什麼概念？如果 2022 年基期 ARR 為 50 萬澳幣，2023 年就是 150 萬，2024 年 450 萬，2025 年 1,350 萬；如果基期是 100 萬，2025 年就是 2,700 萬。當然，這只是推估，公司沒有公開確認過任何 ARR 數字，但如果這個成長速度是真的，那 Harrison.ai 的營收動能其實比表面數字好看得多，只是還沒完全反映在會計營收上。商業模式是標準的 SaaS 訂閱制，按年、按 Facility 或按 Scan 的量收費；在英國 NHS 體系中，部分部署透過政府的 AI Award 補助計畫資助，降低了醫院端的導入成本，這招頗爲聰明，因為醫院最大的抗拒通常不是產品不好，而是沒有預算。
戰場：一堆人都想當放射科的 AI 守門人
全球醫療影像 AI 市場 2025 年約 15 到 17 億美元，Mordor Intelligence 預估以 27–35% 年複合成長率成長至 2030 年的 65 到 145 億美元，但現在市場極度分散，FDA 已授權超過 1,250 款 AI 醫療器材，其中七成以上在放射科，多數公司營收不到 500 萬美元，我們可以把它想成十五年前的 SaaS 市場，遍地開花但沒幾家能做大。
主要對手：以色列的 Aidoc，累計募資 3.84 億美元，20–30 項 FDA 許可，定位是企業級 AI 作業系統，已整合至超過 1,000 家美國醫院；美國的 Viz.ai，募資 2.52 億美元，估值 12 億美元，營收約 4,880 萬美元，50+ 項 FDA 許可，全美 1,800 多家醫院的中風照護中介平台；印度的 Qure.ai，募資 1.23 億美元，深耕新興市場結核病篩檢，跟 WHO 關係密切；韓國的 Lunit，已在 KOSDAQ 上市，市值約 8.29 億美元，年營收 5,440 萬美元，專攻乳癌和肺癌篩檢，正在跨入精準腫瘤學，把影像 AI 跟免疫治療反應預測結合。
Harrison.ai 的差異化說到底就四個字：全面覆蓋。如果 Aidoc 是一組專門抓特定犯罪類型的刑警小隊，Harrison.ai 就是在每個路口裝了全方位監視系統，不預設要找什麼，而是掃描一切可能的異常，124 到 167 項 vs. 10–30 項，差距是四到六倍；第二張牌是「放射＋病理」雙軌平台，這在業界幾乎是獨家；第三張牌是基礎模型 ，在專科考試上得分是通用 AI 的兩倍；第四張牌是開放平台的零加價模式。
但劣勢也很明顯，FDA 許可數量（12 項 vs. Aidoc 的 20–30 項、Viz.ai 的 50+ 項）、美國市場滲透率（2025 年才設波士頓辦公室，幾乎從零開始）、以及營收規模，475 萬澳幣 vs. Viz.ai 的 4,880 萬美元和 Lunit 的 5,440 萬美元，差了一個量級。不過話說回來，Viz.ai 和 Aidoc 都是 2016–2017 年創立的，比 Harrison.ai 早了一兩年進入美國市場，加上以色列和美國新創本來就在美國市場有天然的網絡優勢，Harrison.ai 作為一家澳洲公司要打美國市場，先天就比較辛苦，但它在英國 NHS、澳洲和亞太的佈局是其他對手比較弱的地方，醫療 AI 的市場不只有美國。
至於大型科技公司的威脅，Google Health 的乳房攝影研究發在《Nature》上好幾年了，FDA 許可和大規模部署至今沒特別消息。為什麼？因為醫療器材的監管審查、臨床驗證、醫院端的 PACS 整合、以及跟放射科醫師建立信任關係，這些事情 Google 的工程師文化和快速迭代的方法論比較難搞定。Microsoft Nuance 在影像 AI 上主要做整合者而非開發者；Philips 和 Siemens 的優勢在硬體不在軟體 ，它們更可能選擇跟 Harrison.ai 這類公司合作，就像 GE Healthcare 跟 Aidoc 合作那樣，而非自己從零開發。所以我的判斷是：大公司的威脅短期三到五年內不太可能直接改變戰局，但如果某個巨頭決定砸十億美元做放射科基礎模型，那就另當別論了，這也是為什麼 Harrison.ai 必須趁現在這個窗口期，盡快把裝機基數和客戶黏著度衝起來。
未來二十年：為什麼放射科 AI 不是泡沫
放射科醫師短缺可能是個結構性的問題，不是景氣循環的問題，疊加上去的是人口高齡化，WHO 預測 2050 年全球 60 歲以上人口翻倍至 22%，老年人的影像檢查需求是年輕人的好幾倍。各國癌症篩檢計畫持續擴大，低劑量胸部 CT 肺癌篩檢、乳房攝影等，每個計畫都會產生海量的正常影像需要判讀，恰好是 AI 最能發揮效率優勢的地方。監管環境也在快速成熟，FDA 從 2015 年的 6 款 AI 醫材到 2025 年的超過 1,250 款，十年翻了兩百倍，2025 年 8 月 FDA 發布「預設變更控制計畫」（PCCP）指引，讓 AI 產品可以預先規劃模型更新而不需每次重新提交審查；歐盟 AI Act 也在分階段實施，這些都降低了 AI 產品持續迭代的門檻。最根本的趨勢是平台化，過去十年是「一個演算法偵測一種病灶」的模式，催生了兩百多家相對 Narrow Domain 的公司；但基礎模型改變了這個格局，一個訓練好的模型可以透過微調快速適應多種任務，大幅降低新產品的邊際成本，未來會從「兩百家公司各做各的」走向「少數幾個平台贏者通吃」，Harrison.ai 的基礎模型和開放平台，就是在為這個終局佈局。
在台灣，AI 輔助判讀在遠距放射影像學判讀、社區影像中心、急診分流都有直接應用潛力 ，許多區域醫院、地區醫院的放射科醫師人力不足，夜間和假日的影像判讀得靠值班醫師或外包遠距判讀服務，如果能導入一套像 Harrison.ai 這樣的綜合偵測 AI 當安全網，不僅能降低漏診風險，更能讓值班醫師有個可靠的第二意見。對推動分級醫療的台灣醫療體系來說，這類工具可能成為連結基層和醫學中心之間的數位橋樑，但 TFDA 的審查路徑和健保給付是否涵蓋 AI 輔助判讀，仍是需要過的兩道大關。
從更宏觀的角度來看，醫療 AI 正在觸發一個科技與社會的正向回饋循環，人口高齡化和醫師短缺創造了對 AI 的需求；AI 技術的進步讓更強大的臨床工具成為可能；工具被廣泛採用後又改變了醫療體系的運作方式，放射科醫師的角色可能從「逐張閱片的判讀者」轉變為「AI 結果的品質管控者和困難案例的最終裁決者」。這種角色轉變又會反過來改變醫學教育，未來的住院醫師可能需要花更多時間學習 AI 系統的原理、侷限和監督方法，而非僅僅學習影像判讀本身，而 AI 在臨床端的成功案例又會反過來吸引更多資金和人才投入這個領域，推動下一輪的技術突破。這個正向循環一旦啟動，將在未來 20 年內深刻重塑全球醫療體系的面貌，我們現在正處於這個循環剛開始加速的轉折點。
Harrison.ai 的發展歷程提供了一個很值得反思的問題，如果 AI 已經能以放射專科醫師的水準判讀影像和撰寫報告，我們還需要用跟二十年前一樣的方式訓練放射科住院醫師嗎？傳統上，Resident 花大量時間在模式辨認，學習在影像上認出各種異常的樣貌，但如果 AI 在這方面的表現已經趨近甚至超越人類，那訓練的重點是不是應該轉向更難被 AI 取代的能力：複雜案例的臨床推理、多模態資訊的整合判斷（結合影像、病史、實驗室數據和臨床脈絡）、AI 品質監控、以及跟臨床團隊的溝通協調？這些問題在台灣可能還沒那麼急迫，但以 AI 技術的發展速度來看，最好從現在就開始認真思考，因為等到 AI 全面進入臨床的那一天 （根據目前的趨勢，那一天可能比我們想像的更快到來）再開始調整就太晚了。
他們是好公司嗎？
護城河有三層，第一層是數據：超過 100 萬臨床研究案例、5.5 億筆專家標註、140 位以上放射科醫師參與標註；在醫療 AI 領域，高品質標註數據是最稀缺的資源，你可以買到 GPU、挖到工程師，但買不到 140 位專科醫師花了好幾年、一張一張仔細標過的百萬張臨床影像。Harrison.ai 透過跟 I-MED 和 Sonic Healthcare 的合資模式拿到了這些數據，是後進者很難複製的起跑優勢。第二層是臨床驗證：《Lancet Digital Health》、《JAMA Network Open》這些期刊的分量，在臨床端代表的是信任和公信力，要說服一位資深的放射科主任導入你的 AI，光靠業務員嘴巴說「我們的 AI 很準」是沒有用的，你得拿出在他認可的期刊上發表的數據，Harrison.ai 在這方面的底氣算是足夠的。第三層是監管：12 項 FDA 許可和 40 餘國許可，每一張都代表幾百萬美元和好幾年的時間，在醫療器材這個重度監管的行業裡，拿到許可本身就是一道很深的護城河，因為競爭者要從零開始走同樣的路。
管理團隊方面，Aengus Tran 兼具醫學和 AI 背景，Dimitry Tran 有 MBA，兄弟檔互補性強；特斯拉董事長 Robyn Denholm 坐鎮董事會，她的治理經驗和人脈網絡，對未來可能的 IPO 路徑是重要的加分項。但護城河的寬度需要打問號，技術壁壘在 AI 時代可能隨基礎模型普及而被侵蝕，如果 Google 或 Microsoft 哪天認真做放射科基礎模型，Harrison.ai 的技術領先還能維持多久？客戶轉換成本取決於 PACS 整合深度和開放平台的生態系黏著度，這方面數據目前不足以下定論。
現在這間公司貴不貴？
估值不透明是最大的問題，如果用 UpMarket 的 3.97 億美元估計，假設 2025 年 ARR 在 1,500 萬到 2,500 萬澳幣（基於「三年翻三倍」推算），隱含營收倍數約 16–27 倍，醫療 SaaS 合理偏高；如果實際估值如 Capital Brief 暗示的 7–10 億美元，倍數就到 30–65 倍，代表投資人在為未來高速成長買單。對照組 Viz.ai 2021 年 D 輪 12 億美元估值，約 25–30 倍營收；Lunit 上市後市值 8.29 億美元對 5,440 萬美元營收，約 15 倍。Harrison.ai 的定價是否合理，取決於 ARR 成長能否維持。如果能，可能還便宜；如果不能，就是付太多。Harrison.ai 是未上市公司，一般投資人很難直接參與，合格投資人可能透過次級市場或 UpMarket 等平台的 Pre-IPO 份額進入；考量到估值不透明、營運虧損仍大、美國市場拓展剛起步，資金配置應屬於探索性部位，佔投資組合 1–3%，做好全額損失的心理準備。想間接參與的話，Sonic Healthcare（ASX: SHL）持有 Harrison.ai 約 18% 股權和 Franklin.ai 49% 股權。
加碼訊號包含美國 ARR 顯著加速、CT Chest 拿到 FDA 許可、Harrison.rad.1 進入臨床驗證、開放平台醫院採用數超乎預期、IPO 路演啟動；認錯訊號則有 ARR 成長減速到兩倍以下、FDA 請願書被拒且監管進度受阻、Franklin.ai 商業化繼續拖延、核心管理團隊異動、競爭者在綜合偵測領域取得突破。C 輪的 1.12 億美元大約給了 18 到 24 個月的跑道，如果這段時間內美國市場 ARR 能衝到 2,000 萬美元以上，就有動能做 D 輪或啟動 IPO；如果做不到，Down Round 的壓力會很大。最務實的做法：等到 2026 年中，看美國 ARR 數據和 CT Chest FDA 審查結果，再做最終倉位決策。
最後，醫療影像 AI 這個市場的終局長什麼樣？現在有超過 200 家 Active 的放射科 AI 公司，絕大多數營收低於 500 萬美元，很多連損益平衡都看不到；歷史上，類似的技術驅動型市場整合（早期 SaaS、電子病歷、基因定序）最終都走向少數幾家平台主導的格局，醫療影像 AI 幾乎確定也會走這條路。在這個整合過程中，勝出者需要同時具備三個條件：足夠廣泛的產品線（讓醫院只需要一個供應商而非十個）、深厚的臨床證據（取得並維持監管許可的能力）、可擴展的平台架構（讓第三方也能在你的生態系裡跑），用這三個條件來衡量 Harrison.ai ，產品覆蓋廣度業界之最，臨床證據有優異期刊背書，開放平台剛起步但方向正確。剩下的關鍵問號只有一個：商業執行力，能不能把技術和產品優勢轉化為營收成長，尤其在美國這個最關鍵的戰場上。手裡的牌很好，問題是能不能在對的時間打出來。
Harrison.ai 不是一家典型的早期醫療 AI 新創，它已經在 40 餘國部署產品，手握《Lancet》級的臨床證據，建立了放射＋病理的雙軌平台，選了一條比多數競爭者更難但可能回報更大的路：與其專注做好一件事，不如嘗試做好一百件事。這個策略的風險在於「什麼都做」可能代表「沒有一項做到最好」，但如果每一項的品質都達到臨床可接受的水準（從 Lancet 的研究數據來看，它確實做到了 ），那「全面覆蓋」本身就會成為最強大的競爭優勢，因為它把 AI 在臨床工作流程中的定位從選配功能變成基礎品管的 Layer，一旦醫院的放射科習慣了每張片子都會自動經過 AI 掃描，要把它拔掉？醫師會跟你翻臉的。這種黏著性，不是靠合約條款綁住客戶，而是靠臨床價值讓客戶離不開，這才是真正的護城河；加上 Harrison.rad.1 基礎模型在放射專科考試中得分是通用 AI 的兩倍，暗示從「偵測輔助」到「報告自動化」的巨大跨越潛力，如果這條路走通，放射科的工作模式將被改寫。
對台灣的醫師來說，不管是在急診看 Brain CT、在地區醫院判讀胸部 X 光，還是在教學醫院帶住院醫師，Harrison.ai 代表的全面安全網式 AI，很可能就是未來五到十年會在臨床上天天碰到的東西；也許不是 Harrison.ai 這家公司的產品，但一定是類似邏輯的東西，到時候我們會需要知道怎麼跟 AI 協作、怎麼評估 AI 的判讀品質、怎麼在 AI 說正常但你覺得不對勁時做出正確的臨床決策，這些能力現在就應該開始培養。這家公司正站在早期收入到規模化營收的關鍵拐點上，成功了是下一個醫療 AI 獨角獸，失敗了就是又一個燒光錢的美好故事。不管結果如何，它代表的趨勢，AI 成為醫療影像的標準配備，已經不可逆轉。Harrison.ai 是我目前追蹤的醫療影像 AI 公司中，產品策略有野心、技術佈局完整、但同時商業證明不充分的一家新創，它有潛力成為這個產業的 Salesforce，一個涵蓋整個診斷工作流程的平台型公司，但也有可能成為另一個 Theranos，不是說它在造假，而是說它的願景遠遠跑在商業現實的前面；介於這兩個極端之間的某個位置，大概就是 Harrison.ai 最可能的落點。在醫療影像 AI 這條正從「早期採用」邁向「標準配備」的賽道上，Harrison.ai 是的追蹤清單裡不該缺席的名字。
凌晨兩點的急診室裡，一位菜鳥醫師正盯著螢幕上那塊模糊的 Hyperdensity，猶豫著要不要打電話叫醒二線學長；這個場景，在 Harrison.ai 的世界觀裡，不該是常態，而該是歷史。從雪梨到波士頓、從 NHS 的走廊到 Mass General 的閱片室，一對越南兄弟用 124 項 Finding 織成的安全網，正悄悄改寫全球放射科的遊戲規則。他們的賭注很大：不做狙擊槍，做雷達牆；不賣單一演算法，建整個平台生態系。這條路比任何競爭者都難走，但如果走通了，終局不是「AI 取代放射科醫師」，而是「沒有 AI 的放射科，就像沒有 GPS 的飛機，技術上還能飛，但沒有人願意坐上去。」我們正站在這個轉折點上，而時間，不站在觀望者那邊。
— –
📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.