最近一波醫療科技動態把「生成式AI怎麼用、誰來兜底」推到臺前：臺灣衛福部發布首份《醫療機構應用生成式人工智慧指引》，把風險治理從口號落到清單、分級與資料要求；同時，多地也在加速臨床落地—但路徑各有側重。
在臺灣，衛福部於5月29日推出指引，屬行政指導性質，卻被視為醫療AI治理的重要參考。指引要求醫療機構先做風險盤點，並把治理框架覆蓋資料保護、系統驗證、供應商管理、持續監測等環節。更關鍵的是，它聚焦六類常見風險：模型偏差、資料品質不足、AI幻覺、資安攻擊、使用者過度依賴，以及服務中斷。醫療機構還需要建立院內生成式AI產品與系統清冊，掌握用途、應用場景、風險等級及管理措施，並依臨床影響程度做分級管理。
此外，衛福部把目光延伸到供應鏈透明度：機構在做風險評估時，可要求供應商提供模型版本資訊、資料流向與保存政策、效能指標、已知風險、資安防護、事件通報機制，以及變更管理與技術支援承諾；若使用大型語言模型服務，還需揭露模型服務商、部署型態與更新通知機制。這意味著未來看AI不再只看準不準，而要追到模型來源、資料怎麼走、更新怎麼管、供應商有沒有責任。
與此同時，海外也釋放「AI將重塑醫療」的訊號。明尼蘇達兒童醫院CIO指出，AI時代的影響可能超越過去20多年的電子病歷變革；但真正的難點不是導入工具，而是建立可持續適應新技術的基礎架構與治理，並強調高階主管需要親自理解AI能力與限制。
在臨床應用面，AZ與羅氏計畫在亞太推動AI輔助病理與計算病理能力，聚焦乳癌與肺癌生物標記檢測，透過教育訓練提升採用率，協助標準化判讀流程、降低差異與疲勞誤差。
更廣義來看，AI也正進入新藥研發：利用AI輔助藥物設計，可縮短候選藥物篩選與早期研發；但以新加坡為例，仍不會對AI新藥開「快速通關」—品質、安全性與有效性等審查依舊遵循既有制度，醫療資料也必須嚴守隱私與資安要求。
一句話：醫療AI正在加速，但上線門檻更清晰—治理要落地、供應鏈要透明、臨床決策仍需人來負責，才能把效率轉化成真正的安全與價值。
