過去醫師判讀單一病例的醫學影像，通常需要五到十分鐘。在人滿為患的急診室，這五分鐘往往就是生死的關鍵。現在，AI 只需要不到一秒鐘就能完成初步判讀，並自動排序高危險案件，把搶救時間完整還給醫療團隊。
台灣 CIO 雜誌報導指出，醫療 AI 的發展目標，正由治療疾病快速導向早期預防。高雄醫學大學人工智慧生醫研究院將 AI 影像工具導入胸腔 X 光與腦部斷層掃描等領域，在胸腔 X 光異常偵測項目的準確率，已經普遍達到百分之九十以上。
AI 為什麼能又快又準？關鍵在於多模態資料整合。什麼是多模態資料整合呢？簡單來說，就是讓 AI 同時具備視覺和閱讀理解能力。以前 AI 只能單看一張 X 光片，現在它可以把病人的醫學影像、病理切片、基因數據和實驗室報告綜合起來一起評估。這就像集結了各科權威醫師瞬間完成會診，能提前預測癌症或急性腎損傷的潛在風險。
為了減輕醫護人員龐大的文書負擔，高醫打造了院內專屬的生成式 AI 平台。這套系統利用開源大模型作為基礎，並導入檢索增強生成技術來協助撰寫護理紀錄與病歷摘要。什麼是檢索增強生成技術？你可以想像成給 AI 發了一本醫院專屬的標準作業規範，AI 回答問題時只能從這本書裡找答案，確保內容有憑有據，不會胡亂捏造。
既然醫療 AI 這麼有效，為什麼沒有在全台醫院瞬間普及呢？最大的挑戰在於病患隱私，以及各家醫院資料無法直接互通的法規限制。為了解決這個難題，高醫採用了聯邦學習架構。聯邦學習是什麼意思？就是病患的原始資料絕對不出醫院大門，只把 AI 派去各家醫院學習。AI 學完之後只帶走計算後的參數經驗，不帶走任何病人的真實個資。透過這種方式，台灣的醫院就能在保護隱私的前提下，與全球頂尖大學合作改善精準醫療的品質。
享受 AI 便利的背後，其實隱藏著極大的算力代價。高頻率的 AI 運算需要龐大的硬體設施支援，產生的高溫甚至需要導入水冷式資料中心來提升冷卻效率。不僅如此，為了避免 AI 產生偏見，訓練資料特別納入南部跨城鄉的族群樣本，減少地區與資源落差，確保 AI 系統能安全、公平地守護每一個人的健康。
[文章來源：【專訪】高雄醫學大學人工智慧生醫研究院院長盧鴻興]
