人類早在 1970 年代，就開始嘗試讓人工智慧協助醫師診斷與治療；到了 2010 年代中期，深度學習更大量進入醫學影像分析。但發展了半個世紀，為什麼我們走進醫院，還是沒有科幻電影裡那種到處都是具 AI 功能的醫療器材軟體（SaMD）的感覺？
&nbsp;
因為一套醫療器材軟體從實驗室到進入醫院，需要經過漫長的模型驗證、臨床評估、法規取證與上線等階段。國防醫學院醫學系林嶔教授表示，即使只看最前面的模型開發，就包含資料蒐集與整理、資料標註、模型訓練與反覆調整，每一步都需要投入大量人力與時間。以資料標註（annotation）為例，要教 AI 看胸部 X 光，研究團隊不能只是把幾萬、幾十萬張影像丟進電腦。通常要先由醫師或專業人員當老師，在影像上框出病灶位置、描出病灶輪廓，或標記哪些影像「有病灶」、哪些「沒有病灶」，才能整理成訓練模型所需的資料。
&nbsp;
林嶔教授表示，目前臨床上的醫療器材軟體（SaMD），大多是針對特定任務開發的模型（task-specific model），例如：從胸部 X 光找出骨質疏鬆風險，或從影像找出早期胰臟癌。每開發一個新的項目，就得重新準備資料、進行標註，再訓練新的模型。
&nbsp;
這種方式，很像讓一個不具備基礎知識的人，直接從零開始學習專業技能。如果訓練 AI 也能像現代教育一樣，先接受基礎教育、具備廣泛知識，再學習不同的專業技能，有沒有辦法縮短模型開發的時間？而這種訓練方式，做得到嗎？
&nbsp;
基礎模型如何成為醫療 AI 的加速器？
林嶔教授認為，要加快醫療 AI 的開發，基礎模型（foundation model）是一條可行的路。就像學生先接受基礎教育，再分科專攻，AI 也能先從大量且多樣的資料中打好底子，再學習個別任務。這樣一來，開發新功能時，就有機會省下從頭訓練的時間。
&nbsp;
那麼 AI 怎麼打好底子？處理文字時，可以採用 BERT 模型架構，透過「克漏字」練習，從前後文推敲被遮住的文字；也可以採用 GPT 模型架構，像玩「文字接龍」一樣，根據前面的文字預測後續內容。兩種練習都讓 AI 學會語言的規律。
&nbsp;
面對影像，MAE 模型架構採用的練習則像「補圖」，把圖片切成小區塊、遮住大部分，再讓 AI 根據留下的線索重建畫面，學習其中的形狀與結構。如果資料同時包含圖片與文字，CLIP 模型架構則像「連連看」，讓 AI 分辨哪些圖文配對相符，建立畫面與文字描述的連結。
&nbsp;
開發醫療軟體時，也能運用這些模型架構與訓練方法。開發者手中的病歷、醫學影像與檢查報告，都可能成為教材，依照資料類型與任務需求搭配，打造醫療基礎模型，再進一步訓練它完成特定的醫療任務。
&nbsp;
基礎模型能作為醫療器材軟體嗎？
像是林嶔教授團隊開發的胸部 X 光基礎模型 PASTER，因為訓練時有大量的胸部 X 光與放射科報告，因此就是選用 CLIP 模型架構。
&nbsp;
團隊先用胸部 X 光與放射科報告進行預訓練，再固定基礎模型的參數，利用它提取的影像特徵，為不同疾病各自訓練一個簡單的分類器，測試能否預測該疾病。研究團隊便利用這套方式分析 1,074 種疾病表型，最後找出 60 種拍攝 X 光當下已存在的疾病，以及 42 種之後才被診斷出的疾病。
&nbsp;
林嶔教授說，PASTER 一方面展現了基礎模型協助特定任務模型開發的優勢；另一方面，也改變了疾病探索的方式。過去研究多半是研究者先猜某種影像可能可以預測某個疾病，再投入資源；有了基礎模型後，則可以先大規模測試不同疾病，再從結果中找出過去沒有想到的疾病偵測用途，例如，研究團隊發現胸部 X 光具有偵測骨質疏鬆風險的潛力，之後進一步開發成特定任務模型。目前全臺已有多個縣市開始把這項技術導入社區健康篩檢，包括基隆、南投、臺南等地。
&nbsp;
即使最後沒有找到具有潛力的用途，也能更早淘汰研究方向，減少後續投入的時間與開發成本。另外，基礎模型還有一個隱藏版的好處，就是對於病例數較少的罕見疾病，基礎模型預先學到的知識，也能降低後續開發所需要的資料量。
&nbsp;
既然基礎模型已經能從胸部 X 光中找出這麼多疾病訊號，為什麼還需要以它為基礎，繼續開發特定任務模型？不能直接把基礎模型變成醫療器材軟體？
&nbsp;
林嶔教授指出，以目前的驗證與法規制度來說，要讓基礎模型直接成為醫療器材軟體是很困難的。醫療器材軟體必須先界定明確的預期用途，主管機關才能針對這項用途，審查產品的安全性與有效性。例如：利用胸部 X 光篩檢骨質疏鬆風險，主管機關才能依照這項用途，審查它的軟體設計、訓練與測試資料、功能與臨床性能，以及相關的安全風險，再決定是否核准上市。
&nbsp;
但基礎模型並不是為單一任務設計的，就像 ChatGPT 可以回答各式各樣的問題，功能太多元，不可能把所有可能出現的問題都設計成考題，再逐一驗證答案是否正確。醫療基礎模型也面臨同樣的問題。因此林嶔教授認為，基礎模型主要是提供給開發者，讓開發者以此為基礎，進一步開發用途明確的醫療 AI，而不是直接供給病患使用。
&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/2026/09/15-4.jpg" />
<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;">在一般用途上，基礎模型「什麼都會」是一大優勢；但當它要作為醫療 AI 進入臨床使用時，這種通用性反而成了主管機關審查的難題。</div>
</div>
</div>
</div>
</div>
&nbsp;
臺灣建立醫療基礎模型的機會與限制
醫學基礎模型的發展，將加速 AI 醫材的研發，進一步提升醫療照護水準，目前其重要性已經被世界各國認識並努力克服困難。然而，世界各國遇到的困境各不相同。林嶔教授認為，臺灣在資料層面上有很好的條件。臺灣採取單一健保制度，跨醫院的就醫資料集中在健保體系，加上資訊基礎建設完整，相較於醫院與保險資料高度分散的國家，更有機會整合大量醫療資料。並且從技術與算力來看，建立臺灣自己的醫療基礎模型並非做不到。
&nbsp;
然而，目前臺灣在發展醫療基礎模型的真正困難，在於資料不能隨意取得。健保資料原本是為了醫療與健保業務而蒐集，若要進一步用於研究或訓練 AI，就屬於原始目的以外的利用，因此受到較嚴格的監管。如何充分利用臺灣的優勢，同時克服資料取得上的限制，將是下一步必須面對的課題。最終希望透過醫療 AI 的發展，提升醫療照護水準，最後嘉惠全國民眾。
&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｜國防醫學大學醫學系林嶔教授；責任編輯｜王喆宣、洪孟樊）