進步與普及的醫療在人民生活品質上扮演重要的價值塑造角色，臺灣醫療目前面臨的主要挑戰為人口的高齡化、以及後疫情爆發時代所需要的動態應變。這些需求均給予在第一線或其他線的醫護人員沈重的負擔。長庚醫療體系有感於智慧化醫療的需求與日俱增，積極引入科技並提前部署。於2018設立年長庚醫療人工智能核心實驗室(Center for Artificial Intelligence，CAIM)，由郭昶甫醫師/教授所領導，致力於開發人工智慧演算法並實際應用在醫院的臨床場域，以增進病人的照護，減輕醫護人員的負擔。

　　人工智慧（Artificial intelligence， 簡稱AI）泛指通過電腦程式的手段實現類人智能的技術。初步成果在影像辨識、語言分析、以及特定領域等的能力接近或等同人類水平，但完整的推理、知識產生、規劃、學習、交流、感知、移動和操作物體的能力仍未有突破性進展。近兩年更隨著高速運算及平行處理軟硬體技術的突破，亦廣泛地被使用在醫療領域，尤其在輔助診療、疾病預測、醫療影像輔助診斷、藥物開發等方面發揮重要作用。但由於醫療倫理以及對病患隱私的高度管制使得整體醫療領域推行人工智能的腳步較其他領域緩慢。長庚體系數十年經營已大量累積臨床與醫療資料並已電子化多年，此乃參與人工智能研究的重要資產。結合7個不同院區，實驗室在過去三年來，從立基於醫療院所收集得到的真實資料開發各項的演算法，並漸漸走向臨床端的落地實踐，過程中已累積豐富的成果。

　　人工智慧在醫療場域的應用可簡單區分為短期或長期的目標， 短期可視為即時幫助醫療從業人員減輕工作的負擔，例如常規性或伺機性的輔助篩檢/預後預測。常規性主要是協助醫師執行現行的診斷方法，例如(胸部x-ray常規用來診斷肺部病灶)。伺機性篩檢/預測使用篩查工具針對「不同」於適應症的目的進行風險評估以獲取複雜昂貴的檢查所提供的臨床資訊，例如(心電圖預測心收縮)。從長期來看，AI應結合其他領域，來提供民眾更好的醫療服務。例如與社區或遠端醫療結合，即時的追蹤病患的生理指數，根據這些動態的數值來提供警訊或醫療建議，達到一種預防與降低病人入院的概念。而未來根據每個人基因體的數值不同，模型可以分析並提供客製化的風險預測或治療，這個就是所謂的精準醫療。而入院之後，也有所謂的分流與決策系統，能夠幫忙調配醫療資源，從病患的資料登入、轉介、檢查、出院一系列的歷程給予優化。甚至在出院之後回到即時動態監控的概念，減少再入院的可能。

　　中心在過去幾年與臨床醫師合作開發演算法上的成果甚為豐碩。包含以 X 光、電腦斷層、超音波、病理切片各種醫學影像為主的疾病診斷模型。除了模型的開發之外也實際將演算法應用於臨床端，建立AI工具在臨床端使用經驗。另外，中心也更近一步將人工智能醫材化，以期提供一般民眾或公司更廣泛地使用。例如與本院心臟內科醫師開發出利用方便的10秒12導程心電圖就能推估病人的左心室輸出率。如此一來便能在健康檢查的時候做簡單的心電圖，及時篩檢早期或甚至是無症狀的早期性心衰竭患者，提早介入、治療、改變生活，預防疾病惡化。這些努力也獲得肯定，連續兩年獲得超過10件國家新創獎。這些工具自動化的基礎性質也可以讓醫護人員減少負擔，更能專心在病患照護（圖一）。

圖一：第十七屆國家新創獎獲獎

　　然而人工智慧的應用也有許多的挑戰性，這裡列舉幾點作討論。以臨床實踐的角度來看模型常常需要考慮是否能實際的幫忙，例如最基本的層次在導入模型的時候最好能思考即時的效益，底層的人員通常有其習慣的工作方式，模型除了能夠自動化某些流程，同時也要考慮到原本的架構是否能漸次的導入，而不影響既有的工作模式。另外對沒有專業領域知識的一般使用者甚至是醫生能不能相信模型的效果，這牽涉到模型透明度或解釋性的問題。而最難從醫院往外部推展的原因，還是回歸於隱私與法規的限制，這個問題也進一步延伸為機器學習的大難題。使用人工智慧於醫療的確可以帶來便利性，但後續的發展卻需要整個產業端和環境的配合才有可能使技術植根於醫療體系中，中心有幸能於初期獲得醫院端的資源而發展，未來期許能與外部科技單位或醫療體系合作將研究成果轉為醫材，更能推展AI醫療的特色，共同增進人民的醫療福祉（圖二）。

圖二：長庚醫院AI團隊在 2020 年國家新創獎大放異彩，榮獲多項國家新創獎