生成式 AI 在台灣醫療的落地實況
本次報告以 2025 年《醫療產業 LLM 導入與應用現況調查》為基礎，並輔以國內多位醫療資訊長（CIO）、院內資訊主管與管理決策者的觀點，從六大主題方向切入，深入解析台灣醫療場域對生成式 AI 的理解、挑戰與期待。
調查／CIO Taiwan 與臺北醫學大學數位健康新創轉譯產學聯盟（DHT）‧文／DHT
隨著生成式人工智慧（Generative AI, GAI）於全球醫療領域加速推展，臺灣醫療產業亦逐步投入相關應用並展開實地導入與測試。為掌握當前導入現況，CIO Taiwan 與臺北醫學大學數位健康新創轉譯產學聯盟（DHT）於今年 4 月 11 日聯合舉辦「智慧醫療研討會」，並同步進行《醫療產業 LLM 導入與應用現況調查》。該調查針對全台 13 個縣市之醫學中心、區域醫院與診所進行問卷發放，共回收 97 份有效樣本，具體反映出醫療現場對於生成式 AI 的接受程度與實際應用進展。
本次調查背後亦結合臨床第一線的觀點與思維，由前國際醫學資訊協會主席、萬芳皮膚科主治醫師、臺北醫學大學特聘教授李友專擔任學術顧問，分享他對 GAI 在臨床應用上的觀察與評析。李友專指出，「生成式 AI 的真正價值，並非在於是否能取代醫師，而在於能否有效減輕醫療人員於文書與輔助性任務上的負擔，使其能將有限的專業資源更專注於『判斷』與『醫病溝通』等高價值工作。他強調，唯有將 AI 工具妥善融入臨床日常工作流程，才能實現「以人為本」的智慧醫療。」
過去十年間，人工智慧在醫療領域的發展歷經從幻想、懷疑到實證的演進階段。特別是近年來以 LLM 為核心的生成式 AI 系統，逐漸展現其在醫療知識處理、語境理解、病歷摘要、自動回覆、患者溝通與決策支援等任務上的實用潛力。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 IG，與全球CIO同步獲取精華見解 ]
根據李友專的觀察，台灣醫療體系當前正面臨數項深層挑戰：首先，臨床人力的高壓與過勞現象日益加劇；其次，偏鄉與夜間醫療服務供需失衡；第三，醫療資料量爆炸式成長，使得醫師難以即時吸收並運用所有可用資訊。在這樣的背景下，生成式 AI 被視為有機會補足系統性資源缺口、提升醫療品質與效率的潛在技術解方。
因此，本次報告以 2025 年《醫療產業 LLM 導入與應用現況調查》為基礎，並輔以國內多位醫療資訊長（CIO）、院內資訊主管與管理決策者的觀點，從六大主題方向切入，深入解析台灣醫療場域對生成式 AI 的理解、挑戰與期待。本報告亦期望促進產官學界針對「如何與 AI 共事」展開實務對話與策略討論，進一步思考 AI 技術於台灣醫療環境中永續落地的治理模式與應用藍圖。
導入現況：LLM 導入日益普及，大型醫院領先佈局
根據調查結果（圖一），受訪單位主要分布於區域醫院與醫學中心，顯示本次調查涵蓋了具代表性的中大型醫療機構。整體而言，已有超過一半的機構表示已經導入或正在進行 LLM 相關應用的測試，反映出台灣醫療產業對生成式 AI 的接受度正快速攀升。
在不同層級機構的導入狀況中，以醫學中心與區域醫院的導入與測試比例最高，地區醫院與診所則相對保守。對此，李友專表示，LLM 技術於近年在醫療領域的應用已從單一科室的試點推進至跨部門的整體規劃。「這不再只是某個部門的創新實驗，而是醫院開始認真思考，是否該將生成式 AI 納入日常臨床流程，特別是在減少文書負擔這種硬需求上，已有強烈誘因促成實際行動。」
從地理分布觀察（圖二），中南部如台南、台中與嘉義地區的導入或測試比例，明顯高於當地整體平均。此一現象顯示，生成式 AI 的應用熱區並不侷限於北部，反而中南部多家大型醫院展現出高度投入意願，成為推動 LLM 醫療應用的重要力量之一。
場景：醫療紀錄摘要與病歷檢索最受青睞
在實際應用層面，本次調查顯示受訪單位對生成式 AI 的應用最具期待的場景為：醫療紀錄摘要（75%）與病歷／醫療知識檢索（64%）。多數機構期望藉由 LLM 技術簡化繁複的病歷書寫與資訊彙整作業，以減輕臨床人員在第一線面對龐大文件處理時的時間與精神負擔。（圖三）
排名第三至第五的潛力應用場景則分別為病人衛教（63%）、行政文件處理（58%）以及臨床決策輔助（53%）。這些任務的共通特性是重複性高、語言資料量大，正是 LLM 相對擅長處理的領域。
李友專也說，目前生成式 AI 的實用價值，並不在於直接競爭診斷準確率，而是體現在其對醫療語言資料的理解與統整能力，「傳統醫療 AI 多聚焦於影像判讀與疾病預測，屬於狹義人工智慧（Artificial Narrow Intelligence, ANI）。而 LLM 則開啟了語言層級的『理解與生成』新可能，使其能勝任跨部門溝通、語意歸納與語境回應等任務。」
這種語意理解能力的延展性，使 LLM 特別適合應用於病歷摘要、語義檢索、臨床對話記錄整理、衛教內容產出等語文密集型工作。這與本次調查結果高度一致，反映出台灣醫療現場對 LLM 的定位已逐漸從「診斷輔助」轉向「知識組織與語言處理」的戰略角色。
效益：初步成效浮現，導入動能穩步增強
從實際導入效益觀察來看（圖四、圖五），已有高達 71% 的單位表示導入或測試 LLM 技術後已取得初步成效，另有 64% 表示將在未來一年擴大應用範圍，顯示整體醫療界對生成式 AI 技術的接受度與期待度正穩步上升。本次調查中，僅有一個受訪單位對其效益持保留態度，顯示負面觀感極為稀少。
李友專指出，醫療體系一向以保守著稱，對新技術的採納歷來需時。然而，從 LLM 技術公開問世至今僅兩年半，台灣已有眾多醫院完成導入並回報正向成果，顯示此波技術的「適應期相對縮短，接受門檻亦明顯下降」。
他補充說明，臨床醫療人員平均有約 20% 的工作時間投入在病歷撰寫、手術記錄、轉診摘要等語文密集型文書處理上，而 LLM 具備高度語意理解與生成能力，能顯著提升這些工作的效率與準確性。「當文書處理時間被有效精簡，醫療人員就能將更多心力重新分配至病人關懷與診療決策，這正是許多醫療單位持續推動導入的核心動力。」
整體而言，本次調查結果凸顯出一個清晰訊號：生成式 AI 不再只是醫療場域中的技術話題，而正逐步成為臨床運作與服務流程中的一環，且導入動能正在從試驗階段向規模化實踐穩健邁進。
治理機制建立：從風險意識邁向可持續且負責任的醫療 AI 發展
隨著生成式 AI 技術在醫療領域迅速滲透，其帶來的創新機會備受關注，然而伴隨而來的制度性風險亦不容忽視。李友專指出，目前最需警覺的兩大挑戰為：模型幻覺（hallucination）與責任歸屬不明。當 AI 輸出虛構或錯誤資訊而未即時被臨床人員辨識時，將可能導致誤診與延誤治療，直接威脅病人安全；而在事後追責層面，現行體系對於模型開發者、導入醫療機構與臨床使用者三者之責任劃分，至今尚無明確規範。
調查亦印證，多達 75% 的受訪單位認為資安與病人資料外洩是導入生成式 AI 最大風險（圖六），其次則為模型幻覺（59%）。此外，內部維運人力不足（44%）、導入成本壓力（43%）與法規與倫理限制（33%）亦是多數機構面臨的實際挑戰。
令人關注的是，在制度與標準建置，仍有 44% 的醫療單位尚未啟動任何內部治理規劃（圖七），即使是在已導入或進行測試的單位中，僅有 17% 制定正式管理文件，多數仍處於草擬與討論階段。這一現象凸顯出台灣醫療體系在技術應用與制度設計之間出現落差，應用速度遠快於風險治理與標準制定。
李友專進一步指出，與其急於制定僵化的法規來限制醫療院所如何應用 LLM，不如優先建立一套「標準化的評估機制」，並導入「演化型的臨床品質保證與品質控管（QA/QC）」架構。他強調，唯有透過動態可更新的評估標準與實證方法，才能有效因應技術快速演進所帶來的臨床與制度挑戰，並確保 AI 系統在不同醫療場域中持續被監測、驗證與優化，真正落實安全與負責任的應用。
在此理念下，國際非營利組織 CHAI（Coalition for Health AI）近期發布的《Responsible AI Guide》（責任型 AI 指引）提供一套涵蓋 AI 應用全生命週期的實用架構，從問題定義、系統設計、資料準備、模型訓練到部署與風險管理，協助醫療機構將倫理與品質標準具體落實。該指南由病人倡議者、臨床專家與技術開發者共同編撰，強調公平性、安全性、透明度與資料治理，被視為全球少數兼具實務可行性的醫療 AI 標準指引。CHAI 也已將台灣列為亞太區重點應用場域之一。繼新加坡落地後，執行長 Dr. Brian Anderson 已與臺北醫學大學展開合作洽談，期待導入「負責任醫療 AI」理念。CHAI 團隊預計將於今年 8 月首次來台，參與在台北舉行的世界醫學資訊大會 Medinfo 2025，並與國內醫療、政府與學術界共同研擬在地化的責任型 AI 手冊（Responsible AI Playbook）。李友專表示，此舉不僅是台灣與國際標準接軌的關鍵契機，也有望為亞太區建立智慧醫療治理典範。
部署模式與團隊配置：在地建置與雲端並行，專責團隊資源仍有限
隨著生成式 AI 技術逐步進入臨床應用階段，醫療機構對 LLM 的部署策略呈現多元化。根據本次調查（圖八），27% 的單位採用在地部署模式，以強化對醫療資料的控制與資安防護；另有 23% 採用雲端 API 部署，如整合 OpenAI 或 Azure 等外部服務，顯示不同單位正依據風險評估、運算需求與內部資源條件，在「效率」與「安全性」之間進行策略選擇。
在人力配置方面（圖九），目前大多數單位仍以資訊部門或臨床部門兼任為主（57%），另有 28% 倚賴外包或與外部單位合作支援，而真正具備涵蓋技術與臨床雙方能力的完整專責團隊者僅佔 15%。即便是在已導入或測試中的機構中，專責團隊仍屬少數，反映出台灣醫療現場在 AI/LLM 的落地與維運資源配置上仍屬初階階段。
李友專指出，目前醫院內部在資訊部門與臨床端之間，尚缺乏足夠的「共同語言」與協作文化，往往形成認知與需求上的落差。他建議，應鼓勵醫療機構在初期階段先於「沙盒環境」中進行試做（early adoption in a sandbox），透過嚴謹的評估流程（vigorous evaluation）來確認應用效益與可行性後，再擴大部署至真實臨床場域。
整合系統的挑戰：資料格式異質與介接困難成關鍵瓶頸
生成式 AI 若期望能在醫療體系中發揮長期且可持續的效益，其前提必須是能夠順利整合進既有的資訊系統。李友專指出，當前最大挑戰之一在於資料格式與結構缺乏一致性。雖然多數醫療機構已完成電子化，但因系統建置年代久遠、供應商規格不一，以及各科別功能需求迥異，導致資料橫向整合困難。這些非標準化資訊不僅造成 AI 模型在資料存取上的困難，更容易在語意判讀上產生誤解，影響臨床應用準確性與效率。
李友專進一步指出，若要真正發揮 AI 在臨床現場的賦能潛力，必須同時處理三個核心環節：第一，資料介面（Data Interface）需具備良好的互通性與可操作性；第二，使用者介面（User Interface）需貼近臨床工作習慣；第三，工作流程整合（Workflow Integration）需精準嵌入實務流程而非造成負擔。唯有這三者同步優化，AI 才能從「技術嘗試」走向「臨床助力」。
調查結果亦反映此一挑戰現況（圖十）。高達 60% 的受訪單位認為資料格式與結構不一致為導入 LLM 的主要障礙，而系統介接困難或缺乏 API 支援（54%）與技術與人力資源不足（54%）亦為關鍵問題。這顯示，若無法從底層資訊結構與系統整合層面進行改革與標準化，即使技術成熟，也難以真正實現規模化應用。
李友專強調，未來醫療機構在推動生成式 AI 導入時，應同步啟動資料標準化工程與系統介接能力的升級，並思考如何透過平台化架構與開放標準，降低技術摩擦與整合成本，為生成式 AI 真正融入醫療生態系鋪設堅實基礎。
結語：迎向臨床落地新階段，打造負責任的醫療生成式 AI 生態系
本次調查顯示，台灣醫療體系正處於生成式 AI 發展的關鍵轉折期。整體產業已由「Conscious AI 」萌芽階段逐步邁向「Ready AI」就緒階段，部分醫療機構更具備邁入「Scaling AI」擴展階段的條件。從醫療紀錄摘要、病歷知識檢索，到衛教溝通與行政輔助，LLM 已在多個場景中展現實用潛力，並為第一線臨床減壓、提升效率提供可見效益。
然而，應用潛能若要真正落地為常態化臨床流程的一環，制度配套與治理機制仍是不可或缺的關鍵。如李友專所強調，未來的核心挑戰不僅在於技術能否導入，更在於是否能建立一套可持續、可監測、可更新的「責任型 AI（Responsible AI）」評估與導入機制。包括資料治理標準、跨部門協作流程、沙盒試行與品質控管機制，皆需提早布局，與技術發展同步成長。
[ 延伸閱讀：臺灣醫療資訊標準大平台，推動智慧醫療的關鍵基礎建設 ]
台灣若能在現階段即積極投入制度設計，掌握生成式 AI 帶來的效率紅利與創新機會，將不僅提升臨床照護品質，更有潛力成為亞太地區推動智慧醫療與負責任 AI 治理的領先典範。接下來的幾年，將是決定醫療 AI 是否能穩健走進核心場域、創造長遠價值的關鍵時刻。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
