在臨床基因體分析裡，我最擔心的從來不是 AI 偶爾答錯，而是它答對時，我們也說不清楚為什麼。當一個變異牽涉罕見疾病診斷、腫瘤治療選擇，或病人是否接受進一步檢查時，漂亮的結論不能取代可稽核的推理路徑。

最近看到 ClinGeX 這個研究，讓我重新思考臨床 AI agent 應該怎麼設計。它不是讓模型憑記憶包辦基因體解讀，而是把 105 個經人工整理、可執行的技能，依照任務需求與前置依賴檢索、排列並組合。研究在 223 個時間切分測試案例中，任務層級與專家分類的一致率達 71.7%，強比較基準為 45.7%。45 位臨床基因體專家的三條件研究，也顯示輔助後在變異分析、罕病基因體解讀與腫瘤決策的一致率分別為 51.1%、57.8% 與 64.4%，比較條件則為 15.6%、31.1% 與 20.0%。各情境的回報解讀時間也縮短。

但我認為真正值得借鑑的，不是這些數字本身，而是「技能加依賴」這個架構。臨床任務不是單一問答。先要確認樣本與表型是否足夠，再查詢變異證據，接著判讀遺傳模式與臨床意義，最後才可能形成治療或轉介建議。若前一步的資料品質不足，後面的結論即使語句流暢，也可能只是把不確定性藏起來。把每個步驟做成可描述、可版本控管的技能，並明確記錄它依賴哪些輸入，至少能讓團隊知道錯誤發生在哪一層。

從臨床風險看，我會用三個問題評估這類 agent。第一，證據能不能回到原始來源與當時版本，而不是只有模型生成的摘要。第二，每個技能的輸入限制和失敗條件是否明確，例如表型缺漏、族群頻率不適用，或資料庫註解已過期。第三，最後的建議是否保留人工覆核節點，並讓醫師能看見被採用與被捨棄的路徑。這三點比單次 benchmark 的準確率更接近實際部署的安全邊界。

研究還有一個訊號值得留意：一個月非介入實測中，11 位專業人員提交 96 次分析回饋，多數採納系統結論並感到省時。這表示工具可能降低工作負擔，但也同時提醒我們注意 automation bias。當系統很會整理證據，使用者可能把「容易理解」誤認成「已被充分證實」。在醫療場景，節省時間的前提應該是更快找到需要懷疑的地方，而不是更快按下接受。

因此，我不會把 ClinGeX 解讀成可以取代臨床基因體專家的證明。這是 preprint，案例數、專家組成、技能品質與真實病人結果，都還不足以支持直接臨床部署。對醫院而言，下一步也不該只是問模型準不準，而應該建立一套可追溯的評估：逐技能測試、依賴錯誤注入、不同族群的表現、人工覆核時間，以及錯誤是否會改變病人處置。

我期待的臨床 AI，不是最像專家的黑盒子，而是能把自己的工作拆開，讓專家快速檢查、修正與拒絕。當 agent 的能力被組織成可追蹤的技能網路，醫療團隊才有機會把它納入責任鏈，而不是把責任交給一個看似聰明的答案。