自動判讀腦瘤、肝癌，台灣醫院AI應用遍地開花|數位時代 BusinessNext

AI自動判讀腦瘤位置，減輕醫師負擔

臺北榮總和臺灣人工智慧實驗室協力建立的「臨床人工智慧腦瘤自動判讀系統」（DeepMattes），於11月中正式在放射線部上線。

現行判讀腦瘤方式，是將對比劑加入磁振造影中，由醫師人工找出「一顆顆的白點」，紀錄包含腫瘤大小、位置、可能影響等資訊，進一步和臨床夥伴討論。但榮總放射線部部主任郭萬祐認為，這些繁重的判讀工作，其實會影響討論病情的時間，「改用訓練好的AI模型讀取影像，僅需約20秒時間，就能自動紀錄各項數據，可減輕不少醫師負擔。」

另一方面，榮總磁振造影科主任吳秀美認為，傳統判讀方式需先將腫瘤影像「圈注」好，送往實驗室，其實會花費不少力氣在整理和傳輸上，而新系統就可直接讓醫師校正和確認AI判讀的結果，同時也能持續訓練模型。

北市聯合醫院則和工研院攜手，共同建立糖尿病眼部病變的影像判讀模型，能從患者的視網膜眼底影像自動判讀病變情況，讓準確度、靈敏度、特異度達到九成水準。這套系統，也可讓非專科醫師初步篩選可能罹病的病患，達到提早控制效果，並將運用在馬祖地區。

至於中國附醫，則是已經和輝達（NVIDIA）合作，透過新型的AI主機，判讀乳癌、肝癌和骨齡影像。例如，這套「生長激素缺乏與性早熟疾病症候群」人工智能評估系統，可讓原先需要六至八分鐘的人工作業時間，縮短成0.1秒即有成果。

而堪稱台灣最早導入AI醫療的北醫，自2017年就引進IBM Watson for Oncology臨床決策輔助系統，用來輔助醫生診斷癌症。現在更開發出「智慧型藥物安全系統」，一旦處方中出現無法解釋的藥物，就會被認定為不適當處方，系統會即時跳出提醒，醫師看見就可以再次檢視，降低用藥錯誤風險。

AI自動檢視紀錄，建立骨鬆預警系統

值得注意的是，義大醫院試圖用AI「文字分析」，建立骨質疏鬆預警機制。根據義大醫院資料，只要患者曾經就診，他們開發的系統會自動抓取檢驗數據、X光報告、DXA骨質密度檢測報告，辨識疑似有脆弱性骨折的病患，可在病患接受檢查前，推估出病患骨質密度數值。

簡單說，若有一位老太太曾因為背痛看診，診斷結果是「壓迫性骨折」，AI系統會自動檢視紀錄，建議患者是否再檢查骨質疏鬆症。義大醫院表示，台灣罹患骨質疏鬆症的病患數量高居亞洲第一、全球第九位，希望這套系統未來能逐步發揮影響力。

還有林口長庚醫院，也正在研究透過AI判讀「細菌抗藥性」。林口長庚醫院檢驗醫學科主治醫師王信堯指出，傳統治療肺炎患者，需先驗痰液，花16小時培養細菌，再用質譜儀分析菌種，才會選出用何種藥物治療，耗時一至三天。經過兩年的AI模型訓練，這項研究已經能讓「猜錯藥」的機率降至兩成左右，而醫師平均的猜錯機率，則是五成。不過，目前這項技術仍需評估，到2019年才會有機會運用至臨床。

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。