想像一下，有兩套醫療 AI 都拿到了食藥署的許可證，準確率也都達標。
&nbsp;
第一套從心電圖判讀心房顫動，準確率 95%。第二套的準確率只有 85%，但它做的是另一件事：從「看起來完全正常」的心電圖裡，找出未來可能發作心房顫動的人。
&nbsp;
健保的預算有限，只能給付一套。你會付哪一套？
&nbsp;
三軍總醫院林錦生教學副院長會選第二套。理由很現實：心房顫動一旦發作，心電圖上的特徵相當明顯，一般醫師本來就看得出來——那套 95% 的 AI 準確度再高，也只是把醫師已經做得到的事再做一次。而第二套雖然有可能判斷錯誤，卻能讓醫師提早替高風險的人安排長時間監測，抓到那些原本會被漏掉的病人。
&nbsp;
一套醫療 AI 值不值得，從來不是準確率說了算。
&nbsp;
這樣的判斷之所以重要，是因為醫療 AI 的能力確實在快速擴張。過去結構性心臟病（Structural Heart Disease）要靠超音波才能確認，現在 AI 已能從更普及的心電圖中找出高風險患者；早期胰臟癌的腫瘤很小，電腦斷層看不到明顯腫塊，AI 卻可以從影像中抓出胰臟萎縮的線索；糖尿病視網膜病變原本需要專業人員判讀眼底影像，現在 AI 也能協助篩檢。
&nbsp;
但 AI 愈厲害，問題也跟著出現。
&nbsp;
當 AI 和醫師的判斷不同，我們該相信誰？如果一套 AI 是用國外病人的資料開發、在國外醫院驗證，搬到臺灣、換成不同族群的病人，還會一樣準嗎？就算醫師敢用、也證明在臺灣有效，如果價格高到付不起，健保又該不該買單？
&nbsp;
從「敢不敢用」、「在臺灣能不能用」，到「健保該不該付」，正是醫療 AI 走進臺灣診間前的三道關卡。
&nbsp;
這三個問題並不抽象。衛生福利部資訊處李建璋處長曾提到，自己還在醫院擔任智慧醫療中心副主任時，就親身遇過這些難題——院內醫師的判斷與 AI 不同時，很容易對系統產生不信任感，必須要有更透明的解釋機制才行。他接任處長後，推動的第一件事就是讓醫院成立三大 AI 中心。
&nbsp;
2024 年 10 月，衛生福利部正式宣布成立「負責任 AI 執行中心」、「臨床 AI 取證驗證中心」與「AI 影響性研究中心」，分別要解決 AI 在臨床場域的「落地」、「取證」與「給付」三大議題。
&nbsp;
醫院裡的 AI 守門人
臺灣的醫院其實早就開始開發與導入醫療 AI。2018 年，臺北榮民總醫院與臺灣人工智慧實驗室共同開發腦轉移瘤輔助診斷系統 DeepMets；臺中榮民總醫院自 2017 年起投入智慧重症系統開發，逐步建立應用於加護病房的「Zoe 智慧重症系統」；國防醫學院與三軍總醫院也共同研發了「心電圖 AI 判讀平台」。
&nbsp;
隨著越來越多 AI 進入醫院，院方必須決定哪些 AI 可以使用、如何向醫師說明它的功能與限制，以及上線後該如何持續監測。但一直以來，各家醫院都依自己的流程管理，缺少一套共同的治理架構。
&nbsp;
這並不是臺灣獨有的問題。世界衛生組織訂出了負責任 AI 的六大指導原則，歐盟通過了 AI 法案，美國也有 AI 演算法透明及資訊共享規則（HTI-1）——但這些多半停留在原則與指引，尚未在各國落實成具體的推動機構。
&nbsp;
衛福部因此在 2024 年推動「負責任 AI 執行中心」。三大中心的補助計畫當年 7 月公告，共 30 家醫院提交 48 案，經三階段評選後由 16 家醫院、19 案通過決選，包含臺大、中榮、北榮、成大、中醫大、三總、林口長庚等。這個中心就像醫院裡的「AI 守門人」，從 AI 進入醫院到實際投入臨床，設下三道關卡。
&nbsp;
第一道關卡是審查。每一項準備進入醫院的 AI，都要交由跨領域團隊把關，從臨床效益、病人安全、個人隱私到資訊安全逐項檢查。以接受補助的奇美醫院為例，院方成立「智慧醫療委員會」，成員涵蓋醫院管理者、臨床醫師、資安人員，以及法規與醫學研究背景的專家，負責統籌全院 AI 的導入決策與後續監管。
&nbsp;
第二道關卡是透明與可解釋性。醫師不能只看到「高風險」或「低風險」的答案，還要知道這套 AI 的用途、訓練資料、適用族群、使用限制、準確率，以及是否經過外部驗證。衛福部因此訂出九項透明性揭露指標——就像替 AI 準備一張「仿單」。此外，為了降低族群偏誤帶來的衝擊，必須應用「臨床可解釋性分析」，透過「熱區圖」（Heatmap）標示 AI 關注的可疑病灶區域，醫師能直觀判斷 AI 的邏輯是否符合醫學專業，而非盲目接受一個數值結果。
&nbsp;
以奇美醫院的「透析中低血壓風險預測系統」為例，院方把系統的用途、資料來源、適用範圍、模型表現、驗證結果與使用限制全部公開，讓醫師在使用前就知道這套 AI 的能力與界線。
&nbsp;
第三道關卡是上線後的持續管理。隨著病人組成、醫療設備或診療方式改變，醫院收集到的資料，可能逐漸偏離 AI 原本的訓練資料，形成「資料漂移」。這時，模型的表現可能發生變化，原先的驗證結果也未必繼續適用，因此醫院必須送模型「回診」，才能確保投入臨床後，仍能維持安全與效能。以奇美醫院為例，每年以三個院區的資料檢查模型表現：當模型的 AUC 低於 0.8，或實際發生透析中低血壓的比率高於 10%，系統就必須暫停使用。AUC 是衡量模型區分高低風險能力的指標，滿分為 1；0.8 這條線，等於要求它在絕大多數情況下都不能把該警示的病人漏掉，改善後才能重新上線。
&nbsp;
三道關卡連在一起，就是涵蓋了 AI 的開發、試用、審查、上線、維護、更新與退場，這就是「AI 生命週期管理」（AI Lifecycle）。負責任 AI 執行中心，是要讓 AI 的每一個階段都有人負責，並持續監測。
&nbsp;
換一家醫院，AI 還準嗎？
通過院內審查，只能證明醫院知道該如何管理這套 AI，但還不能證明它換到別家醫院也一樣準。因為 AI 學到的不只是疾病特徵，還包括開發醫院的病人組成、設備、檢查流程與記錄方式。如果只用原醫院的資料測試，就像學生反覆練習同一套題庫，答得再熟練，也不代表換一套題目也能拿到高分。因此模型完成開發後，必須到其他醫院重新測試，確認它換了不同的臨床環境，還能維持一樣的表現。這個步驟就是「外部驗證」（External Validation）。
&nbsp;
但外部驗證不是像球隊移地訓練，只要換個場地，就能直接開始。工研院院士、臺中榮民總醫院榮譽院長陳適安指出三大難題：第一，病歷涉及隱私，不能隨意帶出醫院；第二，各家醫院的資料格式不同，同一項檢驗也可能有不同名稱與單位；第三，每家醫院都有自己的研究倫理審查，合作醫院越多，協調就越複雜。
&nbsp;
因此衛福部成立「臨床 AI 取證驗證中心」，並導入 FHIR（Fast Healthcare Interoperability Resources）與聯邦式學習驗證架構，分別解決跨院資料格式不一，以及病歷不能離開醫院這兩個問題。
&nbsp;
FHIR是由 HL7 International 制定的醫療資料交換標準，為病人資料、診斷、檢驗、用藥與影像報告規定共同的欄位、代碼與格式；各家醫院再透過譯碼字典與轉換器，依照臺灣核心實作指引（TW Core IG），把院內資料轉成同一套標準。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/09/5-4.png" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">FHIR（快速醫療照護互通資源），可以統一各院不同格式的資料，讓病歷能互相流通，提高醫療效率。</div>
</div>
</div>
</div>
</div>
&nbsp;
格式統一之後，下一步是讓同一套 AI 接受各家醫院的資料驗證。但病歷不能離開醫院，因此驗證中心採用聯邦式學習：先把同一版本的模型部署到各合作醫院，各院用自己的資料在院內運算，只回傳模型參數或驗證結果，中心再彙整起來完成跨院效能評估。換句話說，不是把資料送去給模型，而是把模型送到資料所在的地方。醫院降低了隱私與資安風險，模型也完成了外部驗證。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/09/5-5.png" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">此為聯邦式學習的示意圖。透過聯邦式學習將 AI 模型直接送往各醫院運算，在確保病歷不外流的前提下，安全完成跨院效能驗證。</div>
</div>
</div>
</div>
</div>
&nbsp;
臺中榮總開發的急性呼吸窘迫症候群（ARDS）AI，就是跨院驗證的實際案例。中榮先以院內重症資料開發模型，再與慧德科技合作將模型產品化，並聯合馬偕醫院、童綜合醫院及高雄醫學大學附設醫院進行驗證。四家醫院橫跨北中南，也包含不同層級的醫院。模型通過預設標準後，最終取得食藥署的軟體醫療器材許可證。
&nbsp;
陳適安院士表示，這套跨院驗證機制可以縮短業者準備食藥署審查資料的時間，也能協助醫院建立共通的資料標準與合作流程。讓病歷資料在符合隱私與倫理規範的前提下，真正被用於醫療 AI 的開發。
&nbsp;
AI 拿到許可證，健保與保險能買單嗎？
不過，拿到許可證還不等於有人願意付費使用。
&nbsp;
傳統醫材有明確的耗材，可以按件或按次計價；AI 沒有實體耗材，健保和商業保險該按次給付、支付授權費，還是納入原有的診療費？
&nbsp;
更根本的是另一個問題：這套 AI 真的比現有做法更有效嗎？如果沒有，為什麼要投入更多醫療資源？
&nbsp;
三軍總醫院林錦生副院長指出，會有這些問題在於食藥署審查的是產品的安全與效能，不代表它比現有技術帶來更多臨床效益。這正是開場那兩套心電圖 AI 的差別——準確率 95% 的那套很安全、也很有效，卻只是把醫師本來就做得到的事再做一次；而準確率 85% 的那套雖然有可能判斷錯誤，卻能找出原本會被漏掉的人。兩套都能通過審查，但對病人的意義完全不同。
&nbsp;
因此衛福部資訊處成立「AI 影響性研究中心」，要找出 AI 真正能改善臨床照護的使用情境，並透過臨床試驗確認 AI 的判斷與後續的醫療行動是否確實產生效益。
&nbsp;
但醫療 AI 的試驗不能照搬藥物試驗的做法。藥物可以讓一半的病人吃藥、一半吃安慰劑；AI 一旦進入醫院，往往會改變整個科別的判讀習慣，你沒辦法要求同一位醫師在同一天「有時參考、有時不參考」。中心因此採用三種設計，都是為了繞過這個問題：
&nbsp;
第一種是「對照前後試驗」（CBAT），比較導入 AI 前後的變化，並保留未使用 AI 的對照組。
&nbsp;
第二種是「群體隨機對照試驗」（CRCT），把參與試驗的醫院或診所隨機分配至 AI 組或對照組，避免不同流程互相影響。
&nbsp;
第三種是「階梯楔形務實對照試驗」（Stepped-Wedge RCT），讓不同醫院依序導入 AI，所有醫院最後都能使用，同時比較不同時間點的成效。
&nbsp;
林錦生副院長表示，透過「AI＋醫療行動」的臨床試驗，中心才能確認 AI 比現有照護改善多少治療結果，又增加或減少多少醫療資源。健保署、醫療科技評估專家與商業保險機構也能根據這些證據，評估 AI 的實際臨床效益，決定給付方式與價格。
&nbsp;
三大中心，如何串起臺灣醫療 AI 產業？
三個中心各自解決一個問題，但林錦生副院長強調，它們不是三道獨立的關卡，而是一個循環。
&nbsp;
負責任 AI 執行中心確認的是「能不能安全使用」，臨床 AI 取證驗證中心確認的是「換到不同醫院與族群後是否依然可靠」，AI 影響性研究中心則確認「實際使用後能不能改善病人結果、值不值得付費」。少了任何一環，AI 都難以真正落地。
&nbsp;
而且這套流程不是單向前進的。AI 通過給付、進入醫院之後，仍要持續監測它在真實世界的表現；一旦效果不如預期或出現資料漂移，就要重新回到治理與驗證，必要時調整模型、使用方式，甚至給付條件。
&nbsp;
若這個循環真能成立，醫院之間會建立起共同的資料標準、跨院驗證與臨床試驗流程，醫院與廠商也能在開發、取證、應用到給付的每一段接得上手。醫院導入 AI 有了依據，病人用到的是真正安全可靠的技術，健保則能把有限的資源，投在真正改善健康結果的地方。
&nbsp;
回到最初的三個問題。醫師敢不敢用，靠的是院內治理與透明揭露；換成臺灣的病人準不準，靠的是跨院驗證；健保該不該付，靠的是臨床試驗證明它真的改變了結果。
&nbsp;
三個問題，三道關卡。而它們共同要回答的，其實是同一件事——這套 AI，值不值得放進真實的診間。
&nbsp;
（客座總編輯｜衛生福利部資訊處處長暨臺大醫學院急診醫學科教授李建璋；研究顧問團隊｜三軍總醫院林錦生教學副院長、工研院院士、臺中榮民總醫院榮譽院長陳適安；責任編輯｜王喆宣、漢克）