在這個架構中，每家醫院參與者都是一個Worker，必須主動向中央Server表明要加入哪些任務，Server端收到請求後，才會進行任務分派。

圖片來源:

攝影／王若樸

衛福部資訊處於1月28日正式啟動高算力中心暨跨國聯邦學習平臺，並同步揭露國家級聯邦學習驗證機制。三軍總醫院數位醫療中心人工智慧核心實驗室主任林嶔指出，國家級聯邦學習平臺的目的，不只是兼顧醫療資料隱私，也能提升AI模型的泛化能力、更通用，還讓參與醫院能在相同標準與環境下共同訓練模型。

這套平臺以Nvidia開源聯邦學習平臺NVFLARE為基礎，參與單位主要需完成兩個步驟：一次性配置與驗證，以及準備訓練腳本（Script）。目前，衛福部已指定16家醫院加入聯邦學習平臺，其中三軍總醫院已有2項專案正在進行中。

為何需要聯邦學習？

林嶔首先強調，對醫療AI而言，外部驗證（External validation）至關重要。

因為，一個在A醫院訓練完成、表現良好的醫療AI模型，實際部署到其他醫院後，準確度往往會下降，背後原因主要來自三種偏移。

第一是資料領域偏移（Data domain shift），例如不同醫院使用的影像設備廠牌、掃描參數或影像品質不同，都會影響AI對影像的判讀結果。

第二是族群偏移（Population shift），各醫院病人的年齡結構、共病比例與疾病盛行率不盡相同，也會影響模型表現。

第三則是工作流程偏移（Workflow shift），包括醫師開立醫囑的習慣不同、臨床流程不同，甚至有些醫院未必具備特定欄位，導致 AI 接收到的資料結構與使用時機改變，進而影響準確度。

他也補充，美國食品藥物管理局（FDA）已在2025年1月7日提出指引草案，指出AI臨床驗證至少需要來自三個不同地理區域的美國臨床場域資料，目的正是避免模型過度擬合於單一醫療場景，提升通用性。

資料不出院，如何完成外部驗證？

相較之下，臺灣尚未提出類似的明確規範，但要實際完成跨院外部驗證，本身就不容易。林嶔指出，醫院高度重視醫療資料隱私與法規遵循，資料通常不會離開院內，更不可能無償提供給其他醫院，用來驗證AI模型。

為解決這個困境，衛福部看好聯邦學習（Federated Learning）。這項技術可在資料不出院的前提下，讓多家醫院各自使用院內資料同步訓練同一套AI模型，並僅交換經處理後的模型權重，來提升模型整體表現與泛化能力。

因此，衛福部推動國家級聯邦學習計畫，結合自建高算力中心、採用NVFLARE平臺，並指定16家醫院參與。

林嶔形容，建置國家級聯邦學習平臺，就像是「讓所有人開同一臺車」，不只統一開發環境，也使用相同的資料格式（如HL7 FHIR）、一致的系統版本與訓練流程，大幅降低跨院溝通與整合成本。

在技術架構上，聯邦學習平臺分為兩大端點：中央端的 FL Server（由衛福部負責），以及各醫院端的 FL Client。

流程上，中央Server會將初始模型發送給各醫院，各院在院內完成一輪模型訓練後，僅回傳經加密與差分隱私處理的模型權重。中央Server彙整後更新模型，再發送回各院，反覆進行多輪訓練，直到模型表現穩定為止。

林嶔說明，醫院加入聯邦學習平臺後，第一步是進行一次性配置（Provisioning），用來設定參與權限、安全連線、數位身分、治理與評估規則等。這項配置只需設定一次，後續所有聯邦學習專案皆可沿用。

完成配置後，醫院還需進行簡單驗證，確認連線是否正常。系統管理者也能查看其他加入聯邦學習的主機狀態，但並無權限進行操作。

第二步則是準備訓練腳本（Script）。林嶔指出，模型開發者需以電子郵件方式將腳本發送給各參與者，而非由衛福部Server直接下發。每一個聯邦學習專案都會被視為一個獨立的專案（Job），需要個別設定。

醫院也能依不同Job分配硬體資源，例如設定使用多少CPU或GPU，避免影響院內既有的日常運算工作。他特別提醒，每個任務在啟動前都需要重新設定（Re-set），確保訓練條件正確。

在這個架構中，每家醫院參與者都是一個Worker，必須主動向中央Server表明要加入哪些任務，Server端收到請求後，才會進行任務分派。醫院也可自行選擇是否參與特定Job，並非每個專案都必須加入。

至於資料共享範圍，林嶔強調，只有經差分隱私處理後的模型權重與準確度會被分享，其餘資料全數留在醫院端。

尤其，NVFLARE的設計假設所有參與方皆不可信，因此內建嚴謹的身分驗證、加密與通訊安全機制，以確保各方資料安全。

此外，平臺也會完整記錄所有操作行為，每個任務皆有獨立ID與執行日誌，可滿足臺灣食藥署（TFDA）對智慧醫材的審查需求與當責要求。

最後，林嶔分享三軍總醫院目前進行中的兩項聯邦學習驗證專案。

第一項是以AI判讀胸部X光，評估民眾是否罹患肺結核。為滿足TFDA智慧醫材取證需求，團隊需明確定義肺結核與病人特徵（Patient characteristics），並列出聯邦學習所需的資料規格，包括DICOM胸部X光影像、影像報告、病人基本輪廓與特定ICD-10編碼的病史資料。

第二項專案則聚焦於乳房攝影，由AI判讀影像是否存在乳癌，同樣需要DICOM乳房攝影影像、乳攝報告、病人基本資料與病史。

林嶔也指出，在這些專案中，團隊發現既然已蒐集病人病史資料，其實也能進一步強化模型預測能力。實務上，僅透過ICD-10病史資料，就能對未來事件或疾病風險做出相當準確的預測。

他最後補充，雖然目前TFDA在智慧醫材取證上，尚未明確要求審查聯邦學習的運作紀錄，但由於國家級聯邦學習平臺能完整保存所有操作日誌，未來TFDA在評估AI模型時，或許可將這類日誌納入參考，作為下一階段產品審查的標竿。