布局算力、建置制度，打造可治理 AI 智慧醫院
AI 時代的醫院治理不只是開發 AI 醫材軟體與購買設備，更須全面建置資料標準化、導入節能算力基礎設施、強化倫理監管及人才組織，讓智慧醫院的轉型永續發展。
採訪／施鑫澤‧文／鄭宜芬‧刊期／2026.4
隨著生成式 AI 的快速發展，臨床創新持續加速，實現智慧諮詢、自動化醫療文件生成、個人化健康建議，以及強化醫護人員與病患之間的溝通效率。
「醫療 AI 發展目標，正由治療疾病導向早期預防。」高雄醫學大學人工智慧生醫研究院院長盧鴻興指出，透過多模態資料整合、生成式 AI 技術及國際臨床合作，建構可信賴的智慧醫院生態系，以期解決技術落地、法規銜接、硬體算力及人才養成，是目前醫院治理最重要的議題。
高醫近年積極發展 AI 應用，自建生成式 AI 輔助工具減輕醫護負擔，參與國家級負責任 AI 驗證與跨院資料交換標準制定，並透過國際產學合作與南部在地人才培育，致力於建構隱私保護與臨床實證的智慧醫院生態系。
[ 加入 CIO Taiwan 官方 LINE與 Facebook，與全球 CIO 同步獲取精華見解 ]
多模態資料整合 影像 AI 提前預測風險
傳統診斷往往受限於單一科別或單一影像來源，且人工判讀耗時費力。盧鴻興表示，高醫已將 AI 影像工具導入胸腔 X 光、CT、MRI、病理影像等領域，累積數萬件影像分析量能。以院內合作的 AI 影像模型為例，在胸腔 X 光異常偵測項目，準確率普遍達到 90% 以上；腦部相關疾病之 CT 偵測模型，亦具備一定靈敏度表現。
AI 的潛力不只是影像診斷的自動化，更能進一步精準識別早期風險。透過跨科別的資料整併，協助臨床「先看到風險」。過去醫師判讀單一病例的醫學影像通常需要 5 至 10 分鐘，且臨床上往往需要處理大量病例。現在利用 AI 能在一秒內完成初判，並自動排序高危險案件，使急診與加護團隊能更快聚焦危重病人。同時，也可將 AI 結合胸部 X 光影像，延伸用於篩選骨質疏鬆等共病性（Comorbidity）風險篩檢，實踐預防醫學。隨著 AI 邁向多模態發展，盧鴻興指出未來有兩項重點方向：
● 早期疾病偵測：
高醫正發展「縱向影像比對 AI」，自動偵測腦部微小變化的增長幅度，提升早期診斷能力。透過整合醫學影像、生醫波形以及生化指標中的微弱異常訊息，可望提前預測潛在疾病風險，及早介入。
● 多模態資料整合：
高醫人工智慧創新應用中心整合影像、病理、基因、實驗室報告與電子病歷，建立多模態 AI 模型，用於癌症分期與風險預測，作為精準醫療的重要基礎。
然而，醫療 AI 在臺灣醫療體系的實際部署仍面臨挑戰。首先是法規銜接議題，例如美國 FDA 已批准部分穿戴裝置資料作為診斷依據，但在臺灣仍需經過 TFDA 審查流程，包括模型可信度驗證、臨床實證與經濟效益評估等，方能正式落地。
此外，跨院資料標準不一致、生成式 AI 是否屬於醫療器材的法規界定仍在調整、資料匿名化與 IRB（Institutional Review Board，人體試驗委員會）審查流程複雜。還有，AI 與 HIS 系統流程整合門檻高，傳統 HIS 多採單一架構（Monolithic），難以支撐 AI 高頻率的運算需求，高醫正嘗試透過微服務（Microservices）與邊緣運算（Edge Computing）技術將 AI 模組與 HIS 解耦（Decoupling），避免影響核心系統的穩定性。
在臨床如何讓 AI 技術與醫護人員進行高效且準確的合作，牽涉到操作流程、人機溝通與信任建立等挑戰。對此，高醫正在以示範場域方式產出可複製的導入模式，以降低全臺醫院推動 AI 應用的門檻。
[ 推薦閱讀：【專訪】衛生福利部資訊處處長李建璋 ]
生成式 AI 平台 KMU Genie 專屬大模型
為應對醫護缺工的挑戰，生成式 AI 在醫療領域的應用已從諮詢工具，擴展至自動化報告產出、護理記錄整理及臨床教育模擬等多元場景。
盧鴻興表示，高醫 AI 中心利用開源模型 Llama 為基礎，導入院內的去識別化病歷資料進行微調與檢索增強生成（RAG），開發出專屬的生成式 AI 平台「KMU Genie」，五大虛擬 AI 助理可支援臨床、護理、行政、醫事與教育領域，院內累積對話查詢已突破數十萬次。
● KMU Genie 具體應用：
‧醫療文書生成：護理紀錄、衛教單張、病歷摘要。
‧臨床 SOP 與流程查詢：即時檢索院內標準作業流程。
‧模擬病人訓練（OSCE）：生成式 AI 可模擬不同疾病場景。
● AI 應用延伸至 ESG 面向：
‧環境（E）：庫存量自動預測、設備維修預測，提升節能效率。
‧社會（S）：慢性病風險預警、傷口辨識與追蹤模型，並透過遠距醫療與 AI 工具減少數位落差，服務偏鄉民眾。
‧治理（G）：建置全院負責任 AI 中心制度、導入AI治理，利用 AI 改善醫院資源配置與節能控管。
為防範資料隱私與資安風險，高醫採取「在地化部署策略」，建置院內專屬大模型，避免機敏資料流向院外雲端，並已通過 ISO 27001 與 ISO 27701 資訊安全及隱私保護認證。針對需去識別化的資料採取刪除、遮罩及假名化的方式。確保 AI 的使用能「有效率、可治理、可被信任」。
國際合作與聯邦學習 推動精準醫療
精準醫療的核心在於「個人化」。盧鴻興表示，人工智慧生醫研究院在院內的角色，是把臨床需求轉化為可執行的 AI 開發題目，並建立跨領域資料平台與模型驗證流程，使技術能真正落地成為臨床可用的精準醫療工具，協助診治病患。目前應用包括：
● 癌症管理 AI：多模態模型（影像＋基因＋病歷）用於預測復發風險。
● 慢性病管理 AI：心因性瘁死預警、多種 AKI（急性腎損傷）預測
在跨領域整合與國際鏈結上，高醫積極與美國一線大學如史丹佛、芝加哥、耶魯、卡內基美隆大學、康乃爾大學、哥倫比亞大學、加州大學洛杉磯分校、紐約大學等進行 AI 學術研究交流，包含多模態癌症診斷模型合作試驗、AI 臨床教育平台共同開發，以及國際種子師資交換與研究鏈結等，這些合作讓高醫能站在全球醫療 AI 的視野中思考臨床應用。
為了解決跨國或跨院資料無法直接分享的隱私限制，高醫採取「聯邦學習（Federated Learning）」架構，以「共享模型參數而非原始資料」方式進行合作驗證。目前已於多項跨院合作研究中完成初步測試成果。
不過，臺灣在本土化精準醫療上仍面對資料標準化的挑戰。首先是資料標準化不足，影像端雖有 DICOM 標準，但臨床資料仍需轉向 FHIR（Fast Healthcare Interoperability Resources，快速醫療互操作性資源） 與 OMOP CDM（Observational Medical Outcomes Partnership Common Data Model，觀察性醫療結果合作夥伴關係通用資料模型）等國際資料轉換格式。此外，健保署資料庫雖大，但申報導向的資料特質與實際臨床行為仍有落差，需要院內資訊部門進行資料清洗與比對。還有法規申請流程冗長、GPU 與運算資源不足，以及資訊專業人才招募與留任缺乏長期制度支持，皆有待克服。
[ 推薦閱讀：【專訪】羅氏集團亞太區數位科技主管吳明杰 ]
智慧醫院全機構標章（Smart Hospital） 算力布局與流程再造
高醫將 AI 視為「減輕醫護負擔、提升病人安全、提高醫院效率」的重要方案，獲得「智慧醫院全機構標章」。除了技術導入，更須結合硬體算力投資與臨床流程改善。
盧鴻興表示，在數位轉型層面，高醫透過生成式 AI 與流程自動化，明顯縮短護理紀錄、交班紀錄與衛教單張撰寫時間，護理人員調查顯示滿意度提升
臨床應用方面，高醫建置多項即時預警模型，可於病況惡化前發出警示，協助醫療團隊提前介入，提高處置成功率。
行政智慧化則有生成式 AI 平台 KMU Genie，系統上線逾一年，有效協助醫護人員處理繁瑣的行政庶務與資料檢索，提升病患安全與醫院效能。未來 AI 將進一步整合 IoT，實現病房與診間的即時監測與資源自動分配。
高醫下一階段目標是讓 AI 從「輔助工具」升級為醫院運作核心架構的一部分：
‧建構 AI 驅動的 Hospital AI Ops Center（醫院智慧中控中心）
‧建立跨院資料共享示範場域
‧發展 AI-enabled workforce（AI 支援型醫護工作模式）
在算力基礎建設方面，高醫已投資購置 H200 系列伺服器，並預計導入 B200 等更高算力設備。由於高能效運算產生的熱能，高醫正與 Supermicro 等廠商合作，導入水冷式資料中心解決方案，利用醫院現有的供水與水處理系統提升冷卻效率，實現節能減碳目標。另外與鴻海、NVIDIA 等大廠合組國家隊，推動一站式的智慧化醫療場景應用。
[ 推薦閱讀：【專訪】秀傳醫療體系副資訊長鐘苡菱 ]
模型公平性與 ISO 負責任 AI 治理策略
在提升醫療品質之餘，AI 亦帶來資料偏誤、族群不公平與模型黑箱等倫理挑戰。盧鴻興表示，AI 發展必須建立在「負責性」基礎之上。為降低模型偏差風險，訓練資料納入南部地區跨城鄉（高雄、屏東、臺東）族群樣本，減少地區與族群偏誤。同時，高醫參與衛福部計畫，建立「可信賴 AI」的標準流程，建立持續監測 AI 的推論邏輯與回饋機制。
● 高醫的負責任 AI 治理架構
‧模型公平性檢測：使用多院資料訓練、定期檢查是否有族群差異。
‧透明化與可追蹤性：每個模型都有版本控制與審查紀錄，符合 ISO 27701、27001 與 42001 資安治理，所有更新皆需經臨床審查。
‧持續監測（AI Post-market Surveillance）：上線後不斷監測效能與錯誤率，蒐集臨床回饋並快速迭代。
在人才養成方面，高醫利用生成式 AI 建立臨床教育平台，能隨機產生多樣的臨床場景，讓醫學生與護理人員在安全環境中練習推論與處置。包括 AI 模擬病患情境進行教學訓練、自動產生教案、臨床推論訓練、新人護理訓練平台。
在組織面上，高醫亦積極培養 CMIO，結合高醫每年培育 185 名醫學生的教育量能，使 AI 成為制度化能力。
「AI 醫療要永續，一定要安全、可信、可治理。」盧鴻興強調，臺灣整體醫療政策若要加速發展，應建立明確 AI 醫材法規與監理框架，推動全臺 FHIR、OMOP 資料標準化，加強投資算力與國家級醫療大模型，並且建立跨院 AI 評估與共享平台，方能形成完整的醫療數位生態系。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
