Access and Reimbursement for Artificial Intelligence in Radiology: Taiwan's Perspective.

AI 在台灣的單一保險體制下至今有 0 個項目取得健保給付，但我們卻已經用自費市場與院方吸收的方式，將演算法深度嵌入每天的閱片流程。這篇探討台灣放射線醫學會觀點的專文點出，當模型仍無法獨立產生給付代碼時，串連 16 家醫學中心建立的真實世界驗證網路，才是打通商業化與臨床落地的關鍵。這並非單純的技術引進，而是重塑放射科醫師價值的保衛戰。

健保單一買家與自費市場的 3 階層過渡

從總體醫療經濟學的角度來看，台灣的醫療體系運作於涵蓋全體國民的單一買家全民健保制度之下。所有的醫療服務給付標準均由政府統一訂定，這雖然確保了民眾就醫的公平性與強大的成本控制能力，但對於引進高單價、迭代快速的新興醫療科技而言，卻顯得缺乏彈性。面對影像檢查量逐年暴增，但健保點值與給付點數卻相對僵化的困境，放射科導入 AI 的動機與商業模式被迫產生變形。

為了解決這個困境，目前台灣在放射科 AI 的導入與給付上，發展出了一套極具本土特色的「三階層支付架構」。第一層是「院方支持的品質驅動模式（Hospital-Supported）」。在此模式下，醫院將 AI 視為推動數位轉型的基礎建設，由院方 IT 預算自行吸收軟體授權費，並不向病患額外收費。這種作法最常用於低劑量肺癌篩檢或急診胸部 X 光異常警示，核心目的是在給付不變的前提下，協助放射科醫師消化海量工作、減少誤診風險，並提升整體科室的運作效率。

第二層則是「病患驅動的自費模式（Self-Pay）」。在單一買家體制下，自費服務成為了一道讓創新科技在納入健保前得以存活的關鍵過渡橋樑。當一項 AI 工具取得 TFDA（台灣食品藥物管理署）認證後，醫院必須備妥臨床實證與成本分析，向各縣市地方政府衛生局提出自費項目審查。只要通過核准且價格透明，病患就能選擇自掏腰包或透過私人商業醫療保險來支付這筆費用，提前享受精準醫療的紅利。

第三層才是最終目標「成效驅動的健保給付（NHI Coverage）」。要在台灣取得專屬的健保給付代碼，門檻極其嚴苛，至今尚未有任何 AI 影像工具成功叩關。廠商與學界必須提出強而有力的臨床證據，例如嚴謹的 RCT（隨機分派並比較療效的試驗）或是完整的 HTA（評估醫療科技臨床與經濟效益）報告，證明該 AI 不僅能提升診斷率，還能實質降低整體醫療系統的長期支出。這個三階層架構巧妙地在創新鼓勵、醫療平權與財務務實之間取得了動態平衡。

連結 16 家大型醫院的國家級 AI 驗證網路

若細看政策面的推行，衛福部為了加速第三層階「健保給付」的闖關速度，並確保 AI 落地的安全性，透過資訊處主導成立了三大國家級 AI 中心。這不是單純的硬體軍備競賽，而是針對 AI 從研發到給付所面臨的「法規審查」與「真實世界效益」兩大死穴所做出的戰略部署。

這三個中心各自肩負不同的核心任務。「醫療人工智慧責任中心」聚焦於建立倫理與治理框架，確保演算法在不同族群間不產生偏見，並釐清醫療糾紛發生時的責任歸屬。「醫療人工智慧外部驗證中心」則致力於打破各醫院之間的數據孤島，提供標準化的去識別化資料集，讓國內外廠商的模型在申請查驗登記前，能進行大規模、多場域的壓力測試，確保模型在不同廠牌的 CT 或機台都能保持穩定。

最與我們放射科日常息息相關的，是「臨床人工智慧影響評估中心」。這個中心負責主導跨院的多中心隨機對照試驗與健康科技評估，專門產出未來向健保署叩關所需的核心證據。該計畫史無前例地串連了全台灣 16 家涵蓋不同醫療層級的大型醫院，建構出一個規模龐大的真實世界驗證網路。

透過這 16 家醫院的實體連線，我們終於有能力回答一個關鍵問題：「在醫學中心表現完美的模型，搬到地區醫院的急診室是否依然神準？」這種國家級的跨院聯網，不僅確保了 AI 產品的安全與有效性，也讓台灣成為全球少數能以國家力量支援醫療軟體真實世界落地驗證的生態圈，充分展現了打造負責任醫療 AI 環境的決心。

榮獲 RSNA 大獎的胰臟 AI 自費落地案例

把焦點拉到具體的臨床實踐，國內外商用與本土自研的 AI 解決方案，目前已全面滲透台灣放射科的影像工作流。從影像擷取、重建、病灶切割、偵測、量化，一直到治療計畫與預後評估，AI 早已超越單純的「找病灶」功能。其中，由台大醫院團隊自主研發並成功技轉商化的「PANCREASaver（胰臟癌輔助偵測系統）」，正是驗證上述自費模式與落地法規的最佳指標。

胰臟癌因其隱匿性極高，早期微小腫瘤在一般的對比劑增強電腦斷層上極難被肉眼察覺，一直是放射線科醫師的夢魘。PANCREASaver 團隊將院內深耕多年的學術研究計畫，透過嚴謹的 IRB（保護受試者權益的試驗委員會）監督進行回溯性與前瞻性訓練，最終開發出高準確率的深度學習模型。該模型不僅榮獲 2023 年北美放射學會（RSNA）最高榮譽的 Margulis Award，更成功轉型為新創公司進行商業化。

目前，該系統已在多家醫院作為自費項目向民眾提供服務。在這個商業模式中，病人是在高階健檢或門診評估時，簽署同意書並支付費用。影像上傳至伺服器運算後，AI 的熱區標示與風險分數會直接回傳至 PACS（院內儲存傳輸醫學影像的系統）中供臨床調閱。

最核心的關鍵在於，這項自費服務並非「直接面對消費者（Direct-to-consumer）」的產品。放射科醫師依然必須打開影像，仔細檢視 AI 的標註是否合理，將 AI 的量化結果融合進自己的專業判斷中，最後打出一份包含 AI 輔助意見的正式報告。這種嚴謹的臨床操作規範，不僅保障了病患安全，也為本土新創公司提供了一條在健保給付前能夠維持現金流的生存之道。

拋棄獨立給付代碼迷思與 100% 醫師在環的定位

探討未來永續經營的發展時，作者在 Discussion 中坦承了一個我們必須面對的臨床現實：醫療 AI 最永續的生存路徑，是將其視為常規的「臨床輔助工具」，而非一個個期待獲得「獨立給付代碼（Billing codes）」的單一產品。

許多新創團隊與政策推動者常抱持一種迷思，認為只要演算法夠強大，健保就應該為「AI 判讀」單獨設立一個高昂的給付項目。然而，在醫療現場，這種思維極易引發專業權威的衝突與資源排擠。作者強調，AI 的真正價值在於提升診斷的準確度、效率與一致性，而不是用來產生額外的帳單。

這就帶出了 Human-in-the-loop（將專家留在決策迴圈內）的核心概念。無論演算法的敏感度多高，放射科醫師依然是影像判讀與臨床溝通的 100% 最終負責人。我們不是把判讀權力外包給機器，而是將 AI 的輸出作為我們綜合診斷的其中一項參考特徵。

在這種模式下，AI 就如同我們手邊的高階測量游標卡尺或 3D 重建軟體，是一種強大的輔助儀器。將放射科醫師緊緊綁在決策核心，不僅能隨時修正模型在極端案例下的失誤，更能維持病患對醫療體系的信任。當我們確保專業的醫療責任始終落在人類醫師肩上時，科技的創新才不會淪為冷冰冰的取代論，而是實質的醫療品質升級。

公車冷氣演化史：AI 基礎設施的 0 元加價未來

面對技術快速更迭的未來，作者在文末提出了一個極具啟發性的比喻：AI 融入醫療基礎設施的過程，最終將與「公車冷氣」的發展軌跡如出一轍。

早期，有冷氣的公車被視為一種「豪華升級」，乘客必須支付較高的票價才能享受；但隨著社會進步與成本下降，冷氣已經成為每一輛公車的 0 元基本配備，不再有人會為此額外付費，因為它已融入了整體運輸服務的標準成本之中。同樣的，AI 在放射科目前的自費「加價選配」模式，終究只是一個階段性的過渡。

隨著時間推移，當 AI 工具全面滲透到影像擷取、排程優化、報告生成等每一個環節時，它將變得「不可或缺、隱形且理所當然」。屆時，AI 的建置與維護成本不應再被視為外加的奢侈品，而必須自然地被吸收進整體醫療服務的交付成本中。這對健保的支付架構提出了極大的挑戰。

醫療決策者必須理解，給付標準與財務框架必須保持足夠的彈性，定期根據智慧基礎設施的真實建置成本進行滾動式修正。如果健保點數依然僵化地只計算「人工讀片」的勞務，而完全忽視支撐高階 AI 運算所需的伺服器折舊、資安維護與軟體授權費，將會嚴重扼殺醫院導入新技術的意願，最終受害的仍是無緣享受精準醫療的廣大病患。這種彈性調整，才是確保醫療財務公平性與永續發展的長遠之計。

別等 AI 健保代碼；明天就把熱區當常規卡尺，你簽字負責，才是模型合法的變現途徑。