「阿公最近好像越來越健忘，是單純的正常老化，還是失智症的前兆？」這是許多臺灣家庭在晚餐桌上，最不願面對卻又無可避免的私密焦慮。失智症等神經退化性疾病的進程如同沙漏，緩慢、細微，且在早期幾乎無跡可尋。當家屬終於察覺異常而就醫時，往往已經錯過了介入的黃金時機。
&nbsp;
面對這種難以早期發現的疾病，傳統仰賴大量人力與經驗的公共衛生體系，應該如何提早布防？
&nbsp;
國立臺灣大學電機工程學系傅立成教授長期投入 AI 在高齡照護與神經退化疾病的應用研究。他說，失智症的演化緩慢，如果能更早發現，就能及早投入長照資源與介入認知復健，在病況惡化之前就開始行動。而兼具醫師與學者雙重身分的國立陽明交通大學數位醫學暨智慧醫療推動中心楊智傑主任則認為，醫療導入 AI 的核心，依序是提升病患安全、減輕醫護負擔，以及因應在宅醫療人力不足的現實。兩人的出發點不同，但都指向同一目標：醫療 AI 的價值，不在技術本身有多先進，而在它能不能解決臨床現場真實存在的問題。
&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/2026/06/8-4內文圖：670x460-1.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;">臺灣已正式進入超高齡社會，龐大的照護需求推動醫療體系加速尋求 AI 解方。</div>
</div>
</div>
</div>
</div>
&nbsp;
AI 在醫療現場，目前能做什麼？
如果從醫療服務流程來看，目前 AI 醫療的應用已經延伸到不同維度， these 類型彼此並非完全切開，而是實務上常常互相重疊的協作。
&nbsp;
第一類是醫療行政與流程優化。楊智傑主任說，醫院裡最容易被擁抱的 AI 應用，其實是減少文書工作。生成式 AI 協助病歷撰寫得更精準、更結構化，甚至能串接醫院資訊系統，自動生成護理紀錄。這類應用沒有診斷疾病那麼引人注目，但是對第一線醫護人員來說卻很實用，因為它直接減少了每天消耗在行政作業上的時間。
&nbsp;
第二類是急重症的臨床決策輔助。舉例來說，缺血性中風的搶救窗口只有幾個小時；敗血症若沒有及早辨識，死亡率會快速上升。AI 在急重症現場的角色，是幫醫師更快整理生理數據、評估風險。楊智傑主任以中風為例說明，AI 能分析腦灌流影像中的細微血流變化，協助醫師評估大腦受損範圍，進一步判斷病人是否仍適合接受取栓手術。AI 在這裡並不是替醫師做最終決定，而是確保醫師在進行臨床決策時，手上掌握的資訊更加完整。
&nbsp;
第三類是醫學影像資料分析。放射科、病理科、眼科每天需要判讀大量影像，包括 X 光、CT、MRI、病理切片、眼底影像等。AI 可以協助標記出人眼不容易快速辨識的病灶或細微變化。傅立成教授舉例，臺大醫院的 AI 胰臟癌輔助偵測系統「助胰見」，正是目前實際應用的案例之一。它可在 CT 影像中標示胰臟輪廓與可疑病灶，提升早期胰臟癌的檢出機率。對胰臟癌這類發現時常已進入晚期的疾病來說，能否在腫瘤較小時及早察記，會大幅影響後續治療選擇與預後。楊智傑主任在臺北榮總發展的 AI 腦影像分析技術，則透過建立正常老化軌跡模型，協助醫師量化比對精神疾病（思覺失調症、躁鬱症、憂鬱症等）患者的大腦退化狀況。此技術目前已在臨床使用，並正在申請美國食品藥物管理局（FDA）認證。
&nbsp;
第四類是疾病的早期篩檢。例如，失智症與輕度認知障礙患者說話時容易語塞、停頓增多、詞彙趨於單一；帕金森氏症患者因運動功能退化，音量越說越小，語音中出現可量化的抖動，這些疾病通常很難在早期發現。傅立成教授的研究團隊以 AI 分析這些長者的語音資料，研究顯示系統對輕度認知障礙的辨識準確率可達九成，帕金森氏症的預測準確率亦達 88%。不過，這類系統若離開醫院標準化環境，現階段更適合作為早期篩檢與提醒工具，而非取代常規醫療診斷。
&nbsp;
第五類是公共衛生與醫療資源管理。回顧 COVID-19 期間，國立臺灣大學 AI 中心曾柏元博士表示，如果公衛體系能透過 AI 即時分析醫院每天產生的病例資料，及早察覺異常訊號，就有機會在新興傳染病擴散之前啟動應變，而不是等疫情明朗後才開始反應。此外，也能透過醫療資源管理，平衡傳染病防治以及非傳染性疾病的醫療量能。
&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/2026/06/8-5內文圖：670x460-2.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;">COVID-19 的經驗顯示，AI 若能即時分析醫院病例資料、及早察覺異常訊號，公衛體系就有機會在疫情擴散之前啟動應變。</div>
</div>
</div>
</div>
</div>
&nbsp;
資料共享與隱私保護，如何兩全？
不論是精準標註胰臟癌病灶，還是即時預警傳染病訊號， these 臨床應用的背後都有一個共同的先決條件：餵養演算法海量的真實醫療數據。當人工智慧的「智慧」取決於它看過的病例厚度，且資料越多元、涵蓋的病患族群越廣，模型的泛化能力通常越好。這時，一個巨大的公共兩難便隨之浮現：我們如何在追求集體醫療福祉的同時，守住個人的隱私防線？不同機構、不同國家之間，如何在保護資料的前提下共同訓練模型？目前在實務上大致有以下幾種做法。
&nbsp;
第一種是透過倫理委員會審查後直接交換資料。各合作機構分別申請 IRB（Institutional Review Board, 臺灣稱機構審查委員會或研究倫理委員會）核准，取得授權後，在規範的使用目的與條件下，將資料移轉給對方使用。傅立成教授分享，臺大與日本某醫院合作時就是採用這個模式，雙方各自通過 IRB、確認資料格式後，才進行資料移轉。這個方式最直接，但程序繁複，兩邊都要完成審查，耗時較長。
&nbsp;
第二種是聯邦學習，核心概念是「資料不出院」。各家醫院用自己的病患資料在本地端訓練 AI 模型，再把訓練後的模型參數上傳到公共平臺進行優化，優化後的參數回傳至各醫療機構，反覆迭代，最終建立共同模型。病患原始資料全程留在各機構，不需要集中到同一個地方。
&nbsp;
2020 年，傅立成教授帶領臺大全幅健康照護中心，偕同臺大應用數學科學研究所王偉仲教授的研究團隊、衛生福利部中央健康保險署，加入了 NVIDIA 與 Mass General Brigham 聯合醫院發起的國際聯邦學習計畫（EMR CXR AI Model, EXAM），集合來自全球 20 所醫院或研究機構，共同開發預測 COVID-19 患者氧氣需求的 AI 模型，成果發表於《自然醫學》期刊。這不只是規模展現，更是在疫情險峻、各國無法等待漫長資料移轉的時刻，跨國示範了聯邦學習在不交出病患資料前提下的實戰可行性，共同訓練出一個涵蓋不同國家、不同族群病患特徵的模型。不過傅立成教授也提醒，聯邦學習不是沒有條件，各地的資料格式與疾病分布仍需事先協調整理，否則各地上傳的參數品質不一，模型效果就會受影響。
&nbsp;
第三種是加密後共享。傅立成教授說，資料加密之後，即使移轉到合作方，對方在不知道金鑰或解密規則的情況下，無法直接讀取病人原始隱私內容，但仍可在特定設計下使用這些資料進行模型訓練，達到擴大資料來源與提升模型效能的目的。這個方式在某些合作場景下比聯邦學習更簡便，也是目前研究團隊在特定合作中採用的模式之一。
&nbsp;
曾柏元博士也補充，部分研究團隊正在嘗試「資料協作」概念，也就是不直接共享原始資料，而是先把資料轉換為中介資料或重新組合後的資料型態，降低回溯到特定個人的可能性。這類方法和聯邦學習、加密共享一樣，都是希望在保護隱私的前提下，讓資料仍能被用於 AI 模型訓練。
&nbsp;
無論採用哪種方式，資料整合的困難在臺灣仍未完全解決。楊智傑主任表示，臺灣擁有健保資料庫，常被視為發展醫療 AI 的優勢，但不同醫院的資料格式與系統各異，跨院整合在執行上仍有困難。而當前最大的阻礙不是技術，而是法規不夠清晰。
&nbsp;
從聯邦學習到加密技術的演進，固然建立了醫療隱私的防火牆，但醫療資料本質上不同於一般商業行為，是生命與身體的延伸，更深層的問題是「信任」。楊智傑主任指出，病人願意把資料交給主治醫師，前提是醫病之間的信任關係。這也是為什麼當資料要流向研究機構或商業公司，這個信任就需要法規制度來承接。技術上的去識別化可以降低風險，但如果民眾不確定資料會被如何使用，光靠技術是不夠的。
&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/2026/06/8-6內文圖：670x460-3.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;">資料越多元，模型越可靠，但醫療資料的隱私敏感性，讓跨機構、跨國的資料共享至今仍是一大挑戰。</div>
</div>
</div>
</div>
</div>
&nbsp;
AI 能走多遠，取決於技術以外的事
醫療 AI 走到今天，瓶頸已經不只在技術層面。
&nbsp;
楊智傑主任直言，醫療 AI 的開發不能從技術出發再找問題，而必須要先從臨床現場找出真正有意義的需求，再以技術解決需求，最後回到臨床接受實質驗證。如果一個工具只是讓醫師多開一個系統、多看一次結果，卻沒有減少醫療負擔，或是沒有改善照護品質，臨床醫護團隊自然不會用它。
&nbsp;
即使模型在研究階段表現良好，也不代表它能直接進入醫院。楊智傑主任指出，許多 AI 模型一旦進入真實醫療環境，面對不同醫院、不同設備、不同族群的病人，準確率往往會下降。因此評估一個 AI 工具是否有臨床價值，不能只看模型準確率，而要看它進入實際流程後，病人的預後是否真的改善。這需要長期的前瞻性驗證，不是一次性的研究成果。
&nbsp;
當臨床驗證的時間成本與模型維護的資金缺口，成為眼前的現實阻礙時，這早已不是單一醫院或新創團隊所能獨自承受的市場風險。這正是為什麼我們不能將其簡化為商業競爭，而必須提升至國家治理的層次；因此，制度面的配套也必須跟上。不論是醫療器材認證流程、跨院資料整合的法律框架、或是健保給付範圍，都是 AI 模型能否進入日常醫療的關鍵條件。唯有如此，才能讓前沿技術轉化為撐持醫療韌性的公共基礎建設。
&nbsp;
從診間裡的影像精準判讀、病歷結構化整理，到深入社區的居家早期篩檢，再到公衛系統的風險即時預警，AI 正在改變醫療服務的樣貌。但醫療本質不是單純的技術場域，它牽涉病人的身體、資料與信任。當 AI 能被醫師理解、被制度嚴格驗證，才能進而被病人信任。它將不只是更有效率的輔助工具，而是推動精準醫療與普惠公衛的公共基礎建設。
&nbsp;
（客座總編輯｜國立臺灣大學國家發展研究所劉靜怡特聘教授；研究顧問團隊｜國立臺灣大學資訊工程學系兼電機工程學系傅立成講座教授、國立臺灣大學 AI 與機器人研究中心曾柏元博士、國立陽明交通大學數位醫學暨智慧醫療推動中心楊智傑主任；責任編輯｜王喆宣、洪孟樊）