一、前言
大型多模態模型（LMMs）作為生成式人工智慧的前沿技術，具備處理語音、文本、圖像等數據的能力，應用於健康醫療領域，包括基因數據與臨床數據的整合，促進疾病診斷精準化、患者健康管理個人化及新藥研發加速，展現超越傳統人工智慧模型的成長潛力與創新能力。然而，LMMs 的發展同時帶來倫理與治理挑戰。2024 年，世界衛生組織（WHO）發布《Ethics and Governance of Artificial Intelligence for Health: Guidance on Large Multi-Modal Models》報告，旨在透過政策建議促進 LMMs 的合理開發與應用，最大化健康效益並降低風險。
二、LMMs 於醫療領域的應用與挑戰
(1) 疾病診斷與臨床照護
LMMs 能迅速整合患者病歷與網路資訊，為醫師提供診斷建議，特別在處理複雜病例與罕見疾病診斷時發揮作用，同時回覆患者訊息減少醫務負擔。然而，LMMs 可能因訓練數據品質參差，產生偏見或錯誤建議，需透過更多研究與驗證以提升其可靠性。
(2) 以患者為中心之應用
LMMs 協助健康監測、自我診斷及症狀分類，並為患者提供健康建議及心理支持，有助行為調整及臨床試驗參與。但生成錯誤或不完整資訊的風險，以及患者可能過度依賴模型導致判斷力下降，皆需警惕。
(3) 文書與行政任務
LMMs 可減輕醫護人員的文書負擔，如填寫病歷、生成報告等，提升流程效率並減少倦怠。但由於模型可能產生不準確資訊，仍需醫療人員進行監督和校正。
(4) 醫學教育
LMMs 模擬臨床場景，提供個人化教學，加強學生診斷推理與溝通技能。但過度依賴 AI 可能削弱醫護人員的專業判斷能力，並為數位素養不足者帶來額外負擔。
(5) 科學研究與藥物開發
LMMs 加速研究數據分析與藥物篩選，優化研發流程並提升臨床試驗效率。然而，由於訓練數據偏向高收入國家背景，可能加劇全球健康不平等，並缺乏對生成內容的責任性。
三、風險與倫理挑戰
(1) 高估效益
對 LMMs 的高度期待可能導致過度推廣尚未驗證的技術，增加醫療系統風險與財務壓力，影響資源配置的效率。
(2) 可及性限制
LMMs 開發與運營成本高昂，限制其在低收入地區的普及。多語言環境中的應用挑戰也使非英語使用者受限。
(3) 系統性偏見
數據中缺乏弱勢群體資訊可能導致模型診斷偏誤，進一步影響醫療資源分配公平性。
(4) 勞動市場衝擊
LMMs 將影響工作機會，要求醫護人員適應新技術，但在資源不足地區亦能彌補人力缺口，提升醫療服務覆蓋率。
(5) 過度依賴
倘若過度依賴 LMMs，醫療專業能力將逐漸退化，且若缺乏維護與更新，可能影響系統穩定性與隱私保護。
(6) 網絡安全
LMMs 易成為駭客目標，透過篡改數據或攻擊模型生成敏感內容，需加強防護措施以降低風險。
(7) 資源消耗與信任衝擊
LMMs 訓練需耗費大量能源與數據，可能加劇環境負擔。此外，模型生成的資訊若被誤用，將削弱對專業知識的信任，並污染訓練數據，進一步影響模型品質。
總結
LMMs 在醫療領域展現成長潛力，但其應用需要平衡技術進步與倫理治理，確保其以負責任的方式為全人類健康服務。
圖一、LMMs在醫療領域應用之風險與挑戰
資料來源
