人工智慧的原理，就是從資料裡面去找到洞見（insight）。但是，資料的覆蓋性與廣度，就決定了人工智慧在外部的可適用性。
通常，一個醫學人工智慧模型的開發，都是由醫院的醫師發起，再由醫師與資料科學家一起合作，申請使用醫院單一中心的一組資料，來解決一個醫學問題。這個問題可能是影像判讀、風險預測，也可能是利用大型語言模型、多模態資料來進行診斷判斷，或者是產生相關的內容。然而，這些模型往往只有單一醫學中心的資料，沒有辦法涵蓋全台灣人口在疾病型態與資料分布上的多樣性，因此，這樣的人工智慧模型就很難直接推廣到全國。
傳統上，不論是台灣、美國或歐洲的 FDA，都採用所謂的病例對照（case-control）方法來進行取證與驗證。舉糖尿病視網膜病變為例，我們可能用五百份健康的視網膜影像，對比五百份最典型的糖尿病視網膜病變影像，再從兩到三家獨立醫院取得資料進行外部驗證。如果模型能夠通過預期的標準，正確性沒有大幅下降，通常就可以取得相關的證照。
然而，這樣機械式的驗證方法，低估了人工智慧在真實世界應用的困難度。
因為在真實世界裡面，所有疾病並不是只有光譜的兩端。以糖尿病視網膜病變為例，眼科醫師在臨床上面對的，不是只有正常視網膜與糖尿病視網膜病變這種二分法的區分，而是一個完整的疾病光譜。視網膜病變有不同的嚴重程度，從最嚴重到最輕微都有；再加上不同的人種，以及其他重複出現的病變，例如高血壓造成的視網膜病變、高度近視造成的視網膜變化，以及其他各種不同的視網膜病變，都有可能同時出現。
所以，在真實的臨床環境裡，如果人工智慧只學習典型的糖尿病視網膜病變與典型正常視網膜，就很可能在實際應用時失敗。
世界各國都已經意識到這個問題，但是，卻沒有一個國家真正提出具體的方法來解決。有人提出，國家應該建立一套全國一致性的資料，這樣大家就可以下載這套資料來進行驗證。然而，所謂全國一致性的資料，其實是一個比較天真的想法。
因為醫學資料要真正使用，有三大門檻。
第一個門檻，也是最大的門檻，就是資料治理。醫院裡面的醫學資料，從文字、影像到結構化資料，各家醫院都有不同的記錄方式。台灣有三、四十套不同的電子病歷系統，使用不同的方法記錄病人的資料。所以，如果沒有經過標準化的過程，即使把這些資料全部集中在一起，也沒有辦法真正使用。
第二個門檻，是隱私與同意治理。醫學資料是高度隱私、敏感的資料，很多資料在使用時都必須經過適當的去識別化處理。如果沒有建立全國性的動態同意與退出機制，讓民眾充分掌握自己的資料如何被使用，並且具有同意或退出的權利，這些資料就很難被廣泛應用。
第三個門檻，是安全的資料分析環境。資料必須在不離院、不離境的情況下，以最小資料使用為原則，進行相關分析。因此，我們必須建立所謂的可信任研究環境（Trusted Research Environment, TRE）。在這個環境裡面，所有資料都經過去識別化處理，所有分析過程都會被記錄，而且必須具備最高程度的資安與隱私保護，確保資料留在國家境內，由各機構在受控的環境下進行分析。
所以，必須具備這三個條件，才能真正構成全國性醫學資料大規模應用的基礎。要一次就達到這樣的目標，並不容易，因此，我們必須分階段來進行。
第一階段：建立全國外部驗證中心
在2024年，我們開始推動全國外部驗證中心的建立，這是第一階段的工作。
在這個階段，每一家中心醫院都必須串聯不同層級、能夠代表台灣不同族群的醫院。例如，一家醫學中心可以串聯地區醫院或區域醫院，形成一個聯盟。透過 FHIR 的技術來進行資料治理，建立聯合資料庫，同時建置聯邦學習平台，讓這些聯盟能夠對外提供人工智慧模型的外部驗證服務。
而且，這些驗證服務的過程，也需要與衛生福利部食品藥物管理署合作，讓政府從申請、驗證到取得具有人群代表性的資料，建立一套完整、順暢的外部驗證流程，形成一個可以順利運作的閉環。
經過2025年一整年的執行，這個計畫已經取得階段性的成功。目前，已經有超過22家醫院或產業，透過這四大中心取得超過百萬筆資料。這些資料豐富了人工智慧模型的訓練與驗證基礎，讓原本只適用於單一區域或特定醫院的模型，有機會進一步發展成適用於全台灣的模型。
這是我們過去一年多來成功累積的經驗。現在，進入第二期計畫，我們希望能夠在這個成功的基礎上，繼續往前推進。
第二階段：從 FHIR 資料整合走向深度資料治理
首先，我們要做的，就是在既有的 FHIR 整合資料庫上面，進一步深化資料治理。
過去，各大中心已經建立共同的資料管理委員會、共同的資料字典，以及共同的架構，來串聯各家醫院的電子病歷資料庫。但是，這樣的工作還不夠。我們必須進一步推動更深一層的資料治理，也就是所謂的醫學編碼與術語標準化。
FHIR 是一個很重要的基礎，但它本身比較像是一個框架、一個信封。如果每家醫院在實際填寫內容時，對同一個醫學概念使用不同的文字、表達方式、術語與編碼，即使資料已經放進同一個 FHIR 架構裡面，還是沒有辦法真正互通。
因此，在第二期計畫中，我們鼓勵所有參與的醫院，在整合資料庫中使用國際標準編碼，例如 LOINC、SNOMED CT、健保醫療服務相關代碼，以及 RxNorm 等，進一步深化資料治理。
同時，工業技術研究院與衛生福利部相關世代計畫，也已經開發了相關的雲端解決方案，作為資料治理的工具。這套雲端解決方案，可以針對出院病摘或整合資料庫中的歷史資料進行編碼（coding）、驗證，再把這些資料整理成具有一致性、可以互相對應的標準化資料庫。
這件事情非常重要。
因為當我們建立出這樣一套以 SNOMED CT 為基礎的資料庫時，資料搜尋的方式就不再只是傳統的關鍵字搜尋，或相似性比對，而是可以進一步利用醫學概念之間的階層關係，透過樹狀圖與知識圖譜的概念來搜尋資料。
舉例來說，糖尿病有不同的嚴重程度，也有不同的併發症。在 SNOMED CT 的階層式編碼之下，我們可以從糖尿病這個概念出發，沿著相關的醫學概念，搜尋不同程度、不同表現的病人，從較早期的血糖異常，到不同類型的糖尿病，以及各種不同的併發症，都可以納入搜尋範圍。
這樣一來，研究人員就不必再花費大量時間，一個關鍵字、一個關鍵字地尋找病人，也不必因為不同醫院使用不同的文字表達，就遺漏了符合條件的病例。
這樣的資料庫，可以大幅減輕研究人員的工作負擔。更重要的是，從這樣的資料基礎所建立出來的人工智慧模型，未來在實際落地應用時，也比較有機會達到全國一致、跨院適用的目標。
所以，這就是我們新年度的第一個目標：在各大中心既有的 FHIR 研究資料庫上面，進一步深化內容層次的資料治理。不論是 LOINC、SNOMED CT，還是 RxNorm 等標準，都要能夠在整合資料庫裡面持續推進。
同時，我們也希望設計、發展一套適當的搜尋介面，讓研究者可以先利用標準化的醫學概念進行資料搜尋與可行性分析（feasibility analysis），在正式進行研究之前，就能夠更有效率地確認資料庫裡面有多少符合條件的病人，以及這些資料是否足以支持後續的研究。
第三階段：深化國家聯邦學習平台，發展主權 AI
第二個要做的事情，就是深化聯邦學習。
目前，聯邦學習已經串聯成國家聯邦學習平台，而這個平台正好可以配合國家幾項重大的任務。
第一個重大任務，就是主權 AI。
賴總統提出主權 AI 的方向，就是希望我們的人工智慧模型真正看得懂台灣病人的資料、看得懂台灣病人的疾病型態。也就是說，我們不能只依賴國外建立的模型，而是必須讓模型充分理解台灣本地的疾病分布、臨床資料與醫療照護情境，才能真正適用於台灣的醫療環境。
因此，我們規劃了幾個重要的國家主權 AI 三年計畫。現在，國家聯邦學習平台已經有四大中心，以及參與其中的合作醫院與機構，這些醫院將成為國家主權 AI 最重要、最忠實的夥伴，也要配合國家政策，投入主權 AI 的訓練與驗證。
這三年的計畫，將分成不同階段推進。
第一年，我們要做的是 Smart EHR Coder，也就是智慧化電子病歷編碼。
這個方向，就是我們前面所描述的，先利用大型語言模型的工具，智慧化地辨識與編碼電子病歷的內容。透過人工智慧的協助，將原本以文字記錄的病歷內容，轉換成可以進一步搜尋、分析與運用的標準化醫學資料。
不過，這項工作會透過全國性的電子病歷相關計畫來進行訓練，不會動用國家聯邦學習平台的資源。換句話說，我們先把電子病歷的內容治理與智慧編碼基礎建立起來，讓後續的醫療資料整合與人工智慧應用，能夠有更好的基礎。
第二年，我們要建立一系列的國家級醫療影像與生理訊號模型。
這些模型涵蓋的領域，包括胸部 X 光、乳房攝影（mammography）、電腦斷層（CT）、病理影像、眼底影像，以及核磁共振影像，甚至也包括心電圖波形與生命徵象等不同類型的資料。
這些國家主權 AI 計畫，將由衛生福利部資訊處整合發動。如果國內已經有優秀的初始模型，我們就可以透過國家聯邦學習平台的資源，協助這些模型持續訓練與優化，從原本的單一醫院模型，逐步提升為能夠代表台灣不同醫院與病人族群的全國性模型。
這些模型未來可以成為國家主權 AI 的重要基礎，再進一步提供開源、商業化或其他合適的應用模式，讓更多研究機構、醫療院所與產業能夠在這個基礎上持續發展。
但是，如果某一個領域目前還沒有明顯成熟、具有進步性的初始模型，我們也不會因此停下來。這時候，就由次世代相關計畫的團隊先從打造初始模型開始，再透過國家聯邦學習的網絡，逐步建立具有台灣代表性的主權 AI 模型。
所以，這就是第二年的重要工作。我們希望聯邦學習網絡裡面的各家醫院，都能夠一起配合國家政策，共同推動這些醫療影像與生理訊號模型的發展。
第四階段：透過國際合作，建立跨國外部驗證網絡
第三個重要計畫，就是國際合作。
目前，我們已經開始與歐洲及泰國進行合作，未來也可能進一步與新加坡、美國的大學或醫院洽談合作機會，透過跨國、資料不出境的方式，進行人工智慧模型的國際驗證。
這件事情的意義非常重要。
因為一個人工智慧模型即使在台灣的醫院表現良好，也不代表它一定能夠適用於其他國家。不同國家的病人族群、疾病分布、醫療制度與臨床資料，都可能存在差異。因此，真正具有國際適用性的模型，必須經過不同國家與不同醫療環境的驗證。
但是，跨國驗證並不代表必須把病人的資料集中到同一個國家，也不代表必須把原始病歷傳送到國外。我們可以透過聯邦學習與適當的安全分析架構，讓資料留在原本的醫院與國家，在符合當地法規及治理要求的情況下，共同完成模型訓練與外部驗證。
這樣的合作方式，不僅可以保護病人的隱私，也能夠讓各國在不必直接交換原始病歷的情況下，共同提升人工智慧模型的品質。
因此，我們國家聯邦學習平台的核心合作醫院，未來也將成為國際合作最重要的前鋒部隊，代表台灣與其他國家的大學、醫院及研究機構建立合作關係，讓台灣的醫療 AI 不只是在國內有效，也能夠接受國際驗證，進一步走向國際。
結語：從資料治理到主權 AI，建立可以持續發展的國家醫療 AI 基礎
總結來說，我們第二期計畫的重要目標，就是在過去一年多所累積的成功經驗上，繼續深化三個方向。
第一，是在既有的 FHIR 研究資料庫上面，進一步推動 LOINC、SNOMED CT、RxNorm 等醫學標準的內容治理，建立更具一致性、可以搜尋、可以分析的全國性醫療資料基礎。
第二，是深化國家聯邦學習平台，配合國家主權 AI 的三年計畫，從智慧化電子病歷編碼，到胸部 X 光、乳房攝影、CT、病理、眼底、核磁共振、心電圖與生命徵象等不同領域，逐步建立真正能夠理解台灣病人資料的國家級模型。
第三，是進一步推動國際合作，透過資料不出境的聯邦學習與外部驗證機制，讓台灣的醫療 AI 能夠與歐洲、泰國，以及未來更多國家的醫院與研究機構合作。
我們希望透過這樣分階段的推動方式，把資料治理、隱私保護、安全分析、聯邦學習與國際驗證串連起來。因為我們真正要做的，不只是建立一個人工智慧模型，而是建立一套能夠持續發展、持續驗證，並且可以從單一醫院走向全國、再從台灣走向國際的醫療 AI 基礎建設。
這就是我們在第二年計畫中，希望大家共同努力推動的重要目標。
