B‑line 是肺部超音波中重要的指標，雖然傳統上需經驗豐富的醫師操作與判讀，但在急診與資源不足的場域，這成為一大限制。近期多項研究探討 AI 在 B‑line 偵測及量化上的角色，目的在降低技術門檻，提升診斷效率與一致性。

        在急診醫師不斷離職的台灣醫療，能夠有其他操作人員協助操作並判讀相當重要。在2025 年 JAMA Cardiology 發表的多中心研究，讓護理師與呼吸治療師操作 AI 導引的超音波裝置，該導引可以引導操作人員去掃描該掃描的胸部區塊並標示B line的位置，結果掃描出來的影像，有超過 98% 被專家判定為「診斷等級品質」，表現不輸受過訓練的急診醫師。這代表未來在偏鄉或大量病人時，AI 有機會讓更多醫療人員參與初步判讀流程，減少醫師端的負擔。

        然而，如果發展AI僅是要判斷B line與否，對於急診環境來說不免侷限，畢竟我們的病人來的主訴常常是呼吸困難，超音波多為此主訴來做鑑別診斷所用。2023年在Physics in Medicine & Biology的文章 “Point of care AI assisted stepwise ultrasound pneumothorax diagnosis” 建構一套模擬臨床檢查流程的 AI 系統，協助操作經驗較少的臨床人員完成氣胸診斷。該系統嵌入模擬臨床判讀流程的 AI 氣胸診斷系統，從 B mode 定位胸膜線到 M mode 判斷肺滑動，步驟完整、精準度高（AUC ≈ 0.89）、能即時運作，這個系統在臨床應用上，初步可以篩檢出病患到底是BLUE-protocol 的哪一系列，近一步做出初步診斷及治療方向。Critical Care Medicine 的研究也有類似研究證實：即時的 AI 模型，辨識 A-/B-line 的準確度高達 95%，特異性也有 96%。然而在Am J Emerg Med 的研究顯示，雖然AI 與急診醫師靈敏度相當（95.6% vs.96.7%），但 AI 特異性稍低（64.1% vs.79.1%），可能比較適合篩檢輔助使用。

        從上面近年幾個研究看來，Lung ultrasound的判讀已經從經驗主導轉向 AI 輔助判斷，並且對於初學者進行指引及判讀標記，亦可對於A-line或B-line進行即時計數跟判斷，對於氣胸的sliding side似乎也是可行。所以未來AI可輔助醫療人員（不一定要是急診醫師）作為快速篩檢與量化工具，但仍建議保留最終判讀給臨床醫師，未來重點將是 AI 與決策支援系統的整合，來減少急診醫療負擔。