國防醫學院 林欽副教授 專題演講

1. 部署的真實瓶頸：完美的 AI 也可能卡關兩年

我們的團隊已在 AI 心電圖領域深耕一段時間，不僅發表了多篇論文證明模型的準確度與國際水準相當，更成功取得了 TFDA 核可並完成技術轉移。然而，下一個最重要的目標——將這些演算法部署到各醫院，包括偏鄉與離島——卻遇到了巨大的障礙。

第一個嚴峻的教訓是：一個優秀且獲政府認可的 AI 系統，如果無法在醫院內運行，那它幾乎毫無價值。

實際導入的成本非常高，原因就在於每家醫院的資料格式與存放系統皆不同。舉例來說，工程師光是在一家醫院駐點安裝系統，快則兩個月、慢則半年。更糟的是，有時候會遇到「無人能解的卡點」，導致一個大家都看好的專案，最終卡在那裡長達兩年。這個「最後一哩」問題是阻礙救命技術抵達病患的關鍵障礙。

我深深地體認到，如果沒有國家力量介入，把導入的門檻壓低，光是導入成本就足以讓許多單位望而卻步。因此，衛福部決定推動標準化，對我們而言是極大的鼓舞。有了共同的標準，推廣速度才能真正加快。

2. 隱形的殺手：被忽略的「單位不一致」問題

即使工程師克服了艱鉅的安裝任務，數據本身中仍藏著一個更隱蔽、肉眼難以察覺的問題。

我們團隊在多家醫院推廣心電圖 AI 系統時，實際遇過這樣的狀況：程式能跑、系統也上線正常，但放了兩個月後，準確度竟然驟降。經過追蹤，我們發現問題並非出在演算法缺陷，而是因為一個微小且常被忽略的元資料欄位：心電圖振幅的單位不一致。

心電圖資料可能是 10 秒、5000 個取樣點，如果把它丟進 Excel 畫折線，圖形外觀看起來都一樣。然而，單位可能是毫伏特（mV）或者別的單位，Y 軸刻度不同。對需要絕對精確度的 AI 來說，這種細微的差異卻是災難性的。更令人震驚的是，在我們的調查中發現，我們還沒遇過哪一家醫院的工程師能很肯定地說出自家 ECG 原始訊號的單位到底是什麼。因為通常醫院只是把圖丟給 HIS 供醫師視覺判讀，很少人會追問原始訊號的定義。

這揭示了設計給人類視覺解讀的數據，與機器學習所需的嚴謹、標準化精確度之間存在巨大的落差。如果沒有標準化，AI 就可能一直吃到錯單位的資料，輸出結果當然就會出包。

3. 資料鴻溝：新興醫材與「現成可用資料」的落差

當我聆聽其他同業，例如裴教授分享時，我意識到醫療 AI 發展存在一個雙層系統。

第一個情境，是許多研究者喜歡利用結構良好、標準化且易於取得的「沙盒」資料，這讓開發過程相對簡單。裴教授所談的部分，其沙盒資料真的很完整且好用。

第二個情境，也是我的團隊所面臨的，則是針對數百款不斷更新、獲 TFDA 核可的尖端醫療設備打造 AI。對於這些項目，幾乎都沒有「現成可用的資料」。我們被迫從頭開始，親自處理資料的收集、整理、標準化與上傳。TFDA 清單上的那一百多個新近核可項目，幾乎都沒有現成資料可用，開發過程因此辛苦許多。

我們很高興我們的應用程式目前已上架到 SMART App Gallery。但由於心電圖本身不是沙盒預設就有的資源，病患清單是我們自行上傳的，暫時不能像其他已內建的資源那樣即取即用。我非常期待未來台灣的沙盒能夠補足這一塊，提供對應的範例資料，這樣大家開發起來就會快很多。

4. 擁抱 FHIR：建立 AI 可用的數據標準

面對這些挑戰，我的感想是：「標準一定要訂。」

我們認為 SMART on FHIR 的機制非常好，它可以用同一套方式去讀取 FHIR 資料，讓系統達到互通。這類計畫（如 FHIR）不僅僅是技術縮寫，它們是建立臨床信任所需的基礎建設。

我們開發的領域（ECG）原本是 FHIR 原生資源比較不充足的領域，但我們仍致力於將不同廠牌的原始訊號（例如 Philips 的解壓亂碼或 GE 的直接數字）轉換成 FHIR。如果沒有 FHIR 的一致化，連同一間醫院內不同系統、不同廠牌都可能需要開兩套平台來看，非常不方便。如果我們能把轉換程式寫好，統一轉成 FHIR，後續整合就會簡單許多。

但目前「心電圖 on FHIR」的標準還需要再補強。特別是，我們需要定義「AI 可用的 ECG on FHIR 格式」，因為目前 FHIR 的 IG 還沒有把心電圖定義完整。標準化不僅僅是 JSON 資料結構，更有價值的是「定義與編碼」，例如量測身高要有對應的標準名稱與碼，心電圖也應有相應的編碼。尤其要確保單位（metadata）被完整且正確地記錄。

理想狀態是：未來各院導入 AI 系統，不用再耗時動輒數月，甚至卡關導不進去。我們需要透過國家的力量，把導入門檻壓低。

最後，我想再次強調：要把事情真正做好，我們需要持續投入，同時也需要各院一起努力。有了共同的標準與誘因，各院才有更大的動力往前走。缺乏這些基礎，即使是最聰明的人工智慧，也將會被困在實驗室裡。