郭昶甫：醫療 AI 的挑戰 永續及醫病關係才是核心議題
近十年來，智慧醫療始終被視為台灣最具發展潛能的領域。在成熟的醫療體系與豐富的臨床量能基礎上，社會普遍期待人工智慧（AI）能加速催生創新應用，並有效轉化為臨床價值。
然而，AI 進入醫療體系後的挑戰，往往不在演算法精度，而在更根本的結構性問題：制度如何設計？長期維運誰來承擔？模型又如何在人口與臨床環境大幅變動同時避免偏移？此外，倫理價值與創新技術間的可能矛盾，以及財務、人力維運的壓力，也是不容迴避的課題。若缺乏治理框架與穩定資源，再先進的應用也可能只是短期示範，反而侵蝕信任，失去長遠動能。換言之，醫療 AI 的關鍵已不在「能否實現」，而在「能否長期維持」。
思維衝突：長期穩定醫療模式Vs.快速迭代軟體思維
林口長庚醫院人工智慧核心實驗室主任郭昶甫表示，目前醫療 AI 的落地可分為三大面向：其一是資料治理，涵蓋合規使用、整理與訓練，最終進入臨床試驗並取得核可；其二是臨床部署，確保模型能順利嵌入既有流程與分工；其三則是持續監測，確保模型表現符合預期，並及時啟動修正。
第三層面「持續監測」（continuous monitoring）至關重要。他進一步強調，因為模型從訓練到部署往往歷經數年，臨床環境與病人結構在此期間早已發生變化，若無相應機制，模型極易出現偏移與失效。
目前，美國FDA已有相關監管框架，允許開發方在產品上市後依監測結果進行合規的調整與優化；相較之下，台灣尚缺乏對應制度。郭昶甫指出，無論台灣或美國，醫療器材（medical device）監管規範的核心，仍舊依循「硬體醫材」的邏輯，強調長週期、低變動與穩定性。這與軟體技術的高頻更新、快速迭代特質存在先天矛盾。因此，在現行醫療監管法規下，也較難接受持續頻繁更新修正的軟體節奏。
他認為，面對這一現實，唯有回到政策層面協調才是解方。相較於一般軟體產業早已習慣每月甚至更頻繁的更新節奏（如行動裝置系統常態性更新），較為固定的醫療領域法規，本質上而言並無法複製同樣頻率。儘管如此，建立一套可隨臨床環境變動而持續調整的機制，仍應是努力推動的方向。
目前，衛福部已透過成立「負責任AI執行中心」、「臨床AI取證驗證中心」及「AI影響性研究中心」三大中心，解決AI醫療應用中的「落地」、「取證」與「給付」三大關鍵問題，還有 FHIR 電子病歷推動專區等專案，推動跨院一致性與監測機制，推動跨院一致性與互通性。這些計畫在治理架構上確實有所進展，並要求各醫院建立監測機制。然而，雖然制度雛形已現，，另一個根本問題卻始終懸而未決：永續性。
資源與責任未定，醫療 AI 永續性問題未解
政府近年透過專案計畫推動跨院合作與治理，但計畫本質上具有期限，難以支撐 AI 系統所需的長期運作。從治理實務來看，政府希望透過制度設計啟動推動力，期盼醫院在框架建立後能自行營運；然而，臨床端與產業端的核心關切卻更為務實：醫院關心的是效益是否可見、營運是否可維持；支付端與廠商則著眼於是否有穩定回收。
「計畫總有結束的一天，但 AI 需要持續的監測與維護，」郭昶甫直言，醫療 AI 的長期維運涉及資金、人力與基礎設施等龐大成本，以醫院為例，導入 AI 往往需要額外建置運算設備、配置專人管理與維護，但回報卻不明確。若缺乏直接收益，醫院就難以形成足夠動機。對廠商而言，若沒有穩定的回收機制，投入上市後監測與持續維運也缺乏誘因。
而這些現實考量，又對醫療 AI 落地帶來哪些考驗？
郭昶甫坦言，目前長庚醫院約九成 AI 模型由實驗室自研、一成外購，醫院同時扮演供應者與使用者。此一路徑雖能因地制宜，卻暴露另一個實務困境。相較於硬體醫材有清楚的流程與規範，AI 模型因缺乏標準化，導入後必須依靠專責團隊「安置」與調整，才能確保其與院內系統與流程協同運作。
此外，多數廠商主張院內系統整合由醫院自行負責，使得醫院不得不組建專責團隊，處理模型上架、下架、資料流動與權限管理等工作。當模型數量從少數幾個擴展到數十、上百個時，版本管理、套件相容與資源排程便成為沉重負擔。這不只是技術問題，更是日常營運的實際挑戰。
醫療體系的超載與誘因不足
實際營運上的沉重負擔，某種程度也解釋了為何台灣的智慧醫療前景雖被談論多年，但若以韌性與治理的視角檢視，真正的挑戰才正要浮現。更現實的問題是，多數 AI 應用尚未為醫院帶來可見的新價值，這也引發一個核心問題：既然如此，導入 AI 的驅動力究竟從何而來？
「醫療的核心從來不是新技術本身，而是醫護人員與病人之間的互動。」郭昶甫直言，以心電圖為例，這項在 1900 年代初期即發明並獲得諾貝爾獎的技術，沿用一百多年，仍是臨床判斷最基礎且可靠的工具。這說明了即使新科技持續湧現，醫療體系能不能吸納，關鍵不在「新不新」，而在是否真正改善照護流程與結果。
「我們總是想把新東西塞進去，但醫療體系早已超載。如果沒有額外資源，很多應用根本進不來。」郭昶甫直言，例如，雖然每年可累積數十萬張心電圖數據，但即便導入 AI，醫院實際收益卻難以量化、醫師收入也未必因此增加，對於病人產生的往往是間接效益（例如風險降低），缺乏能即時衡量與補償的機制，自然難以形成投入誘因。
這與國際市場形成對比。美國一家專注心電圖 AI 的公司，能吸引 1.2 億美元投資，正因投資人看見未來市場潛力，並相信可透過規模化、市場化回收成本。反觀台灣，因醫療市場規模有限、支付機制保守，即便技術同樣成熟，也難以形成相同的商業吸引力。
郭昶甫認為，推動醫療 AI 的關鍵不只是技術突破，而是能否創造足夠的誘因與動力，讓整個體系願意持續往前走。無論是提升醫療效率，還是帶來病患的實際效益，這些影響都必須是具體且讓利害關係人有直接感受，否則很難真正融入臨床系統中。
實際上，醫療體系的本質是一個「支出單位」，無論在台灣或其他國家皆然。醫療服務並不具備自主創造收入的能力，其資金來源主要依靠保費與稅收，而非市場導向的營收模式。因此，若要推動醫療 AI，選項不外乎兩種：一是仰賴社會增加保費與稅收投入；二是設計能讓 AI 應用自我產生價值的制度，以支撐長期發展。
郭昶甫提到，對臨床與研究人員而言，投入 AI 的驅動力往往來自於新技術、新應用能被開發與實驗，探索創新本身就是一種研究動能。但若從政策與治理的角度切入，邏輯卻截然不同。以衛福利的三大中心計畫為例，雖然形式上與研究計畫相似，但其核心其實在於法規、治理與制度設計，這些往往不是研究者的優先關注點，也因此形成推動上的落差。
他強調，醫療 AI 最終必須成為醫療體系的內建系統，而非額外附加或補充性的外掛。唯有如此，AI 才可能真正融入臨床，發揮長期價值；若仍停留在外掛角色，就不可能成功。
醫療 AI 的核心挑戰：醫病關係才是重中之重
醫療 AI 的挑戰並不僅止於資料治理與基礎設施的更新維護。更核心的問題，仍回到「醫病關係」本身。這不只是醫師與病人的互動，而是涵蓋護理師、管理人員與整個醫療體系的協作網絡。當 AI 導入臨床時，對這些現有角色將帶來何種影響？又會遇到哪些阻力？這正是 AI 能否真正落地的關鍵試煉。
「你喜歡和 GPT 對話，還是更傾向與真人交流？」根據美國的一項調查，如果受訪者在「不知情對方身份」的情境下作答，高達六成的人更傾向選擇 AI。原因在於，AI 的回饋往往展現出更高的耐心與溫暖感，因為它被設計與訓練成如此。郭昶甫強調，這樣的結果提醒我們，AI 的引入並不是要取代人，而是要放大醫護人員與病人之間的溝通效能。
「AI 的價值在於讓醫護人員能將與病人互動的能量，從原本的 10 倍放大到 100 倍。所以，互動能量絕不能是零。」他指出，在醫療現場，「人性」必須始終處於核心位置。AI 可以是輔助與放大器，但醫療的本質仍然是「人與人」的連結，而非單純的「人機協作」。
郭昶甫也觀察到，台灣的病人對於「真人」的期待普遍高於國際水準。國外常見的「訪視前問卷」或「由 AI 進行初步問答」機制，在台灣推動的阻力更大，因為患者普遍期待直接面對醫師或護理人員，以獲得即時、可感的交流與安定感。若 AI 的應用被視為減少人與人的互動，反而可能適得其反。
因此，他建議，AI 在台灣的醫療體系中更適合做為「減少行政或流程負擔的工具」，而非減少醫病互動頻率的替代品。唯有如此，AI 才能真正融入現場，並成為提升醫療品質與效率的助力，而非阻力。
本文節錄自《台灣可信任與韌性AI白皮書》，請點此連結下載《台灣可信任與韌性AI白皮書》完整版