本頁為 健康台灣深耕計畫的實際落地案例，由 EBM 商之器整理。新光醫院案例展現深耕計畫如何在醫學中心端，以統一的 AI 醫療影像平台整合多廠商模型，解決 AI 分散管理、醫師需多系統切換的困境，並對外提供跨院 AI 判讀服務。
醫院需求
新光醫院放射科隨著 AI 模型數量持續增加，面臨多廠商模型分散管理的困境。各廠商 AI 運算流程不一、介面各自獨立，醫師需在多個系統間切換才能看完所有判讀結果，嚴重影響診斷效率。RIS 系統無法顯示 AI 文字判讀結果，危急個案也缺乏自動排序機制。此外，新光身為中心端醫院，需支援周邊衛星院所的跨院 AI 影像判讀服務。
帶來的好處
- 統一 AI 管理：放射科所有 AI 模型集中於單一平台，管理複雜度與硬體占用大幅降低。
- 報告效率提升：醫師於 RIS 內可直接參考 AI 判讀結果，無需切換系統，報告撰寫時間顯著縮短。
- 危急案例優先處理：AI 自動排序危急影像，確保高風險個案優先判讀與通報。
- 肺癌篩檢合規：個案管理師透過系統直接生成符合國健署 Lung-RADS 格式報告，消除手動登打負擔。
- 跨院 AI 服務：周邊衛星院所無需自建 AI 算力，即可享有新光 AI 平台的影像判讀支援，提升區域醫療品質。
痛點與解決方法
| # | 痛點 | 解決方法 |
|---|---|---|
| 1 | 多廠商 AI 運算流程無法統一，各跑各的流程 | EBM AI 平台統一進行影像分派與待算清單管理 |
| 2 | 各廠商各有獨立 Viewer，醫師需跳轉操作 | 所有 AI 結果統一呈現於 EBM PACS Viewer |
| 3 | AI 機器占用科室空間且難以管理 | 一站式 AI 工作站整合所有廠商模型 |
| 4 | RIS 無法顯示 AI 文字結果，無法加速報告撰寫 | RIS 升級 AI 功能：顯示清單、危急排序、結果覆核編修 |
| 5 | 個案管理師需手動登打肺癌篩檢報告至國健署系統 | 建置 Lung-RADS 肺癌篩檢報告介面與客製化查詢網站 |
| 6 | 衛星院所缺乏 AI 判讀能力，偏遠地區服務不足 | 跨院 AI Gateway，透過 UDE App 傳送影像至新光 AI 平台運算後回傳 |
EBM 商之器在本案的角色：以 EBM AI Platform 與 PACS／RIS 為核心，協助新光醫院統一管理多廠商 AI 模型、整合判讀結果呈現、升級 RIS 的 AI 功能與危急排序、建置 Lung-RADS 報告介面，並以跨院 AI Gateway 與 UDE App 讓周邊衛星院所共享中心端 AI 判讀能力。