研討會評論：2026 數位創新塑造次世代公衛政策（三總）—— 一整天其實都在談 AI 篩檢

三軍總醫院於 2026 年 7 月 7 日舉辦「2026 數位創新塑造次世代公衛政策研討會」，自上午八時半至下午五時，一整天的議程涵蓋衛福部的國家級部署策略、離島與東部的在地篩檢案例、三總自家的 AI 心電圖，以及來自澳洲、新加坡、英國、馬來西亞四位跨國講者的經驗。

議程表面上主題分散，實則指向同一件事：如何在民眾尚未被診斷、甚至尚無症狀之前，運用 AI 從一大群人中辨識出高風險者，再交由醫療團隊接手。這件事有個明確的名字，就是篩檢，也呼應近年一種漸受重視的觀點，即醫療 AI 的本質是篩檢而非診斷（相關討論見〈診斷 vs 篩檢：從病歷資料判讀健康狀況的醫療 AI，本質是篩檢，不是診斷〉）。

編按：本文的取材

本場直播長達八個多小時，且未提供字幕與分段。以下各講者重點整理自大會官方議程介紹與各講者公開的研究背景，並非逐字紀錄；凡屬推論之處均會標明，不作臆測性的數據宣稱。

主辦單位為三總，衛福部次長莊人祥、國防部軍醫局陳元皓與會，三總院長蔡宜廷開場。全日議程分為兩條軸線，一為台灣的國家政策與在地實踐，一為跨國的規模化經驗。

逐位講者重點

政策層：李建璋（衛福部資訊處長）談台灣 AI 醫療大規模部署策略

李建璋處長談的是國家如何將 AI 醫療從各醫院的零星試點，推展為全國規模的部署。這場演講為整日定調，因為後續所有在地與跨國案例，最終都要回答同一個問題：一個在單一醫院表現優異的模型，如何成為全國用得起、給付得起、也管得住的服務。這其實就是「模型之外的工程」在國家層級的體現，法規、給付、資料互通、基層導入，缺一不可。

在地實踐一：馬祖的胃癌預防

馬祖這條線應是延續其行之有年的幽門螺旋桿菌全島根除計畫，該計畫以大幅降低胃癌發生率著稱。AI 於此的角色，研判用於內視鏡影像判讀或風險分層，協助在有限醫療人力下先篩出高風險者。此案例的價值在於，馬祖是封閉且可追蹤的離島族群，適合驗證「篩檢加介入」整條路徑的長期成效。

在地實踐二：花蓮的口腔癌篩檢

花蓮口腔癌盛行率偏高，與嚼食檳榔習慣及族群分布有關。口腔癌病灶「看得見」，適合以影像 AI 進行初步篩檢，讓非專科人員或基層據點先行過濾，再將可疑個案轉介專科。這同樣是典型的篩檢形態：AI 不作最終診斷，只負責在大量人群中標示出應被檢視的對象。

在地實踐三：三總的 AI-ECG 心血管篩檢

三總與國防醫學院合作的 AI 心電圖判讀平台，是台灣少數已達 production 規模的在地實證。公開資料顯示，該平台使用逾 150 萬張心電圖、開發 50 餘個模型，經近 40 位醫師與 1.6 萬名病患臨床驗證，將心血管疾病的可預期死亡率降低約 17%，且單張心電圖可輔助判讀 50 種以上疾病。團隊今年另有一篇以 AI-ECG 偵測鉀離子失衡的研究登上 Nature Communications，技術亦已技轉。此案例的分量在於，它並非展示性的 demo，而是實際運行於急診與住院流程，能提早標示高死亡風險病人、縮短打通血管的時間。

國際：Brian Oldenburg（墨爾本 Baker 心臟與糖尿病研究所）談社區糖尿病 AI 篩檢

Oldenburg 教授的身分，很大程度決定了這場演講的角度。他是行為醫學與「implementation science（實施科學）」出身，現為 La Trobe 大學與 Alfred 醫院合設的 ARCH 中心主任，同時是澳洲 NHMRC「Connected Health」卓越研究中心的主持人，長期投入心血管與第二型糖尿病的預防與自我管理，也是行動健康（mHealth）介入研究的重要推手。他最為人知的代表作，是與印度 Sree Chitra Tirunal 醫學研究院合作的「Kerala 糖尿病預防計畫（K-DPP）」，這套模式後來延伸出 SHILLONG 計畫，深入印度東北部的部落村落，替年輕族群降低糖尿病與心臟病風險。

理解了這個背景，就會發現他談的重點很可能不只是「AI 能不能在社區辨識高風險糖尿病者」這個技術問題，而是 implementation science 真正在意的那一題：一套在研究裡有效的介入，如何真正被一個資源有限的社區採納、維持、並擴散開來。這正是整日議程反覆出現的「模型之外那一圈」，只是他從公共衛生與行為改變的角度切入。他的資源匱乏地區經驗，尤其貼近台灣偏鄉與離島的處境。以下對其演講內容的推斷，係依其公開研究方向而來，非現場逐字紀錄。

國際：Daniel Ting（新加坡）談糖尿病視網膜病變的國家級規模化

就規模化的參考價值而言，這場最具代表性，也是全日最值得台灣細看的案例。Daniel Ting 是新加坡國家眼科中心（SNEC）的視網膜外科醫師，同時擔任新加坡眼科研究院（SERI）的 AI 與數位創新主管，以及 SingHealth AI 辦公室主任，可謂新加坡把眼科 AI 推上國家規模的核心操盤者。

他主導的 SELENA+（Singapore Eye Lesion Analyser Plus）不只判讀糖尿病視網膜病變，還涵蓋青光眼與老年黃斑部病變三大類眼疾。開發階段用約七萬多張眼底影像、逾一萬名糖尿病成人資料訓練，後續跨資料集的驗證則動用到約五十萬張影像，並在一項橫跨四國、五個族群、約一萬九千名病患的多中心研究中測試。2019 年取得新加坡衛生科學局（HSA）許可，正式進入國家級糖尿病視網膜病變篩檢計畫 SiDRP，每年為十萬人以上進行眼底篩檢。

它的運作方式是關鍵：不是全自動判讀，而是「半自動分流加人工判讀」，AI 先過濾掉大量正常個案，再把可疑的交給人工確認。這套流程同時通過了醫材法規、也做過健康經濟學評估，估計可使篩檢成本降低約兩成。更值得台灣記下的是 Ting 團隊的誠實：他們在公開文獻裡直言，深度學習系統在真實世界篩檢眼底疾病的表現「仍不盡理想（remains unsatisfactory）」，這也是為何他近年的研究轉向大型語言模型、可解釋 AI，以及安全、負責任、合乎倫理的臨床 AI 應用。一個把 AI 推到國家規模的人，仍公開承認真實世界的落差，這種態度本身就是台灣該學的。此案例幾乎湊齊了「將模型化為國家服務」所需的每一塊：法規、給付、人力分流、成本效益，外加對侷限的坦白。

國際：Olivia Wu（英國格拉斯哥大學）從健康經濟學評估 AI 的價值

Olivia Wu 的分量在於她的位置。她是格拉斯哥大學健康經濟學與衛生技術評估中心（HEHTA）的 William R Lindsay 講座教授、蘇格蘭皇家學會院士，長年做的正是英國那套 HTA（Health Technology Assessment）方法學，橫跨藥物、醫材、診斷檢驗與數位健康介入，工作成果直接餵進英國國家層級的臨床指引與給付決策。換句話說，她不是評論 AI 準不準，而是替國家把關「這個東西值不值得付錢」。

她補上的，是最容易被技術端忽略的一塊。前述講者多聚焦模型準度與辨識出多少高風險者，但一項篩檢是否值得全國推行，最終取決於健康經濟學：多投入的成本換得多少品質調整人年（QALY），是否反而製造大量假陽性、使下游檢查量能超載。她近期一項關於心臟衰竭「數位診斷路徑」的經濟評估恰好是活教材，該研究算出這條數位路徑縮短了確診與啟動治療的時間，每多得一個 QALY 的增量成本約五千七百英鎊，落在英國 NHS 每 QALY 兩萬英鎊的門檻之內，因此判定具成本效益（此為其公開發表的研究，用以說明其評估方法，未必等同現場簡報內容）。這正是台灣最缺的那道工序：AI 的價值不在 AUC 這個數字，而在能不能用一個國家付得起的代價，讓對的人在對的時間被辨識出來。

國際：Hooi-Min Lim（馬來西亞馬來亞大學）談基層醫療的落地成效

Lim 醫師任職於馬來亞大學基層醫療學系，是家醫科背景，研究主軸放在心血管疾病的預防，2025 年在《Nature Reviews Cardiology》發表過關於心血管疾病「primordial prevention（原級預防）」的論述，也做過把機器學習用於亞洲族群心血管風險預測、並整合進數位健康平台的研究。他所屬的圈子還做過一件很切題的事：在資源匱乏的基層場景，讓一般科醫師（GP）借助 AI 做心血管風險評估的隨機對照試驗。這些背景意味著他談的不是實驗室裡的模型，而是工具真正落到第一線診間之後的實況。

而基層，往往正是理想與現實落差最大的地方。模型在研究環境表現亮眼，一旦置於人力吃緊、網路不穩、醫護分身乏術的基層診所，能不能被實際採用、會不會被醫師信任、要不要多花時間，全是另一回事。馬來西亞與台灣同屬亞洲、同樣面對城鄉與族群差異，他從家醫科與亞洲族群風險預測累積的落地經驗，對台灣把篩檢推向基層與偏鄉格外有參考價值。以下對其現場內容的理解係依其公開研究方向推斷，非逐字紀錄。

評論：四個值得記下的重點

綜觀全日議程，有四點值得記下。

其一，整場實則都在談篩檢，而非診斷。無論胃癌、口腔癌、糖尿病、視網膜病變或心血管，AI 的角色皆相同：從尚未確診的大群人中挑出高風險者，交回醫療團隊後續處理。這也印證醫療 AI 最安全、價值最高的切入點就在篩檢與風險分層，因其位於確診之前，責任邊界清楚，亦保留了 human-in-the-loop 的空間。

其二，真正卡住規模化的從不是模型準度。台灣的 AI-ECG 已證明模型可達 production 等級，新加坡的 SELENA+ 亦然。兩者之所以能 scale，靠的並非把 AUC 再往上推零點幾，而是補齊模型之外那一圈：轉診路徑、人工複核的分流設計、健保給付、醫材法規、基層工作流。這與 Agent 等於 Model 加 Harness 的觀點如出一轍，只是放到公衛尺度，harness 化為政策與制度。

其三，Olivia Wu 那道健康經濟學的關卡，是台灣往下推行前必須先回答的題。台灣擅長做 pilot、擅長展示準確率，但一項篩檢值不值得全國推行，最終由成本效益與假陽性的下游成本決定。這一環若無人把關，容易做出技術炫目、健保難以負擔、基層苦不堪言的產物。

其四，對台灣的軍醫與公立醫療體系而言，三總的 AI-ECG 已是相當扎實的在地證明，下一步的關鍵在互通。篩檢價值要放大，篩出的高風險結果必須能跨院流動、跟隨病人，這便接回台灣跨院 FHIR 互通的課題（見〈台灣跨院 FHIR 互通〉）。將 AI 篩檢接上 FHIR 互通，才能使一次篩檢的價值不止步於單一醫院。這也呼應開放標準、AI 輔助、以人為本的智慧醫院主張，讓系統為醫護與病人減負，而非增加負擔。

延伸評論：借簡立峰與 iKala 的框架，說每個職類該用 AI 做好哪一件事

這場研討會沒有簡立峰、也沒有 iKala，但把他們近年談 AI 的框架借過來，能替上面那四點補一個很實用的視角：與其問「AI 會不會取代醫療人員」，不如問「每個職類該用 AI 做好哪一件事」。

簡立峰講得直白，取代你的不是 AI，而是會用 AI 的人；真正的差距不在有沒有 AI，而在會不會指揮 AI 放大自己。他同時提醒別把大腦外包給 AI，判斷這件事仍得留在人身上。iKala 的程世嘉則補上另一半，AI 是逐步「解構任務」而非一次抽掉整份工作，該問的是「哪些具體任務會被 AI 接手」，然後把人力挪到更該做的地方。把這兩個框架疊到這場研討會的篩檢流程上，各職類的功課其實很清楚。

政策制定者 / 衛生行政（如衛福部）：該用 AI 做好的是「大規模部署的治理」。不是自己去調模型，而是把法規許可、健保給付、資料互通、稽核回饋這圈 harness 建起來，讓好模型從單院試點變成全國服務，同時守住責任邊界與病人權益。
臨床專科醫師（如心臟科、眼科）：該用 AI 做好的是「風險分層與提早預警」。讓 AI 先從海量心電圖、眼底影像裡標出高死亡風險、該優先看的人，把自己的專業判斷集中在確診、決策與跟病人溝通，而不是耗在初步過濾。三總 AI-ECG 就是這個分工的實證。
基層 / 家醫科醫師：該用 AI 做好的是「把預防往前推、且不增加負擔」。用 AI 做心血管、糖尿病風險評估，讓有限的看診時間花在真正高風險者身上；前提是工具要能塞進吃緊的診間工作流，被信任、被實際採用，這正是 Lim 醫師關切的落差。
公衛 / 社區工作者：該用 AI 做好的是「把觸角伸進社區、並讓介入真的維持下去」。AI 負責在發病前辨識高風險族群，人則負責 implementation，讓篩檢加介入這條路徑在資源有限的社區被採納、擴散，這是 Oldenburg 的 implementation science 視角。
健康經濟學者 / HTA：該用 AI 做好的是「替價值把關」。用 AI 加速證據合成與成本效益建模，算清楚多投入的錢換到多少 QALY、假陽性製造多少下游成本，替國家判斷一項篩檢值不值得全國推行，這是 Olivia Wu 補上的關卡。
醫療資訊 / 工程師：該用 AI 做好的是「把模型接上真實系統」。模型準度只是起點，真正難的是接上 FHIR 互通、讓篩出的高風險結果能跨院流動跟著病人，並把工作流設計得替醫護減負而非增負。這也是簡立峰口中 1% 專注「造」出 AI Agent 與自動化工作流的那件事。
醫材法規 / 健保給付審查者：該用 AI 做好的是「加速把關而不放水」。借 AI 處理繁重的文件比對與證據審閱，把人的判斷留給臨床效益、安全與給付價值的權衡，讓好工具更快通過、有疑慮的擋在門外。
護理 / 檢驗 / 篩檢據點人員：該用 AI 做好的是「承接分流、守住第一線品質」。在半自動分流模式裡執行人工複核那一關，Daniel Ting 的 SELENA+ 之所以能跑，就是靠這層 human-in-the-loop 把 AI 過濾後的可疑個案穩穩接住。

同一句話貫穿所有職類：把該由 AI 做的重複過濾交給 AI，把判斷、把關、把病人接住這些留給人。這也回到程世嘉「解構任務」的說法，AI 動的是任務，不是把整個職類抽掉。

一張圖：篩檢 AI 從模型到國家規模的路徑

flowchart LR
    POP["整群人<br/>(社區 / 離島 / 基層)"] --> AI["AI 篩檢模型<br/>影像 / 心電圖 / 病歷"]
    AI --> RISK["高風險分層<br/>把該看的人標出來"]
    RISK --> HUMAN["人工複核 / 分流<br/>human-in-the-loop"]
    HUMAN --> CARE["轉診 / 專科確診 / 介入"]
    CARE --> REG["登錄與追蹤<br/>回饋成資料"]
    REG -.資料回饋改進模型.-> AI

    AI -. 要 scale 需通過 .-> GATE
    subgraph GATE["規模化的關卡（模型之外的 harness）"]
        LAW["醫材法規"]
        PAY["健保給付"]
        ECON["健康經濟學<br/>成本效益 / 假陽性成本"]
        FLOW["基層工作流 / 互通"]
    end