九大透明性原則及可解釋性分析 

透明度在負責任 AI 的架構下，不應僅被視為技術說明，而應視為一種「可審計的資產」。基於美國衛生及公共服務部（HHS）透過《21 世紀法案》制定的 HTI-1 規範，臺灣制定了九大透明性揭露指標。這些指標如同 AI 的「履歷」或臨床「仿單」，旨在消除信任危機，讓醫師在臨床決策時能精準評估 AI 的建議。

透過九大透明性原則，結合可解釋性分析（Explainability Analysis），確保醫療AI的決策過程可理解、可信賴，並為醫療機構提供清晰的監管框架。
以下詳述這套準則的核心維度與內容。 

編號	揭露項目	揭露原則與核心內容
1	介入詳情及輸出	清楚定義產出的具體內容，如標記位置、風險評分（0-100 分）或分類建議，指引醫師解讀結果。
2	介入目的	說明 AI 的臨床用途（如輔助診斷、分流或篩查）及其預期解決的具體臨床痛點。
3	警告與範圍外使用	明確限制條件，告知醫師不適用情境（如特定機型、非適應症族群），並強調不得獨立作為診斷工具。
4	開發詳情及輸入特徵	揭露訓練資料來源、特徵維度（如年齡、像素、密度、腫塊）及採用的算法架構（如 CNN）。
5	確保公平性的過程	詳述如何檢查並減少演算法偏見，確保在不同族群表現的一致性。
6	外部驗證過程	展示在獨立真實世界數據上的表現，包含跨中心與設備分佈。
7	量化表現指標	提供靈敏度、特異性、AUC 等具體統計數據。
8	持續維護與監控	描述部署後的監控與更新計畫，確保穩定性。
9	更新與持續驗證計畫	規定再訓練頻率與定期驗證門檻，以應對醫療環境變遷導致的性能波動。

---

---