創投副總與準醫師的雙重視角：Morgan Cheatham 對生物醫學前景的深度觀察

From Bedside to Boardroom: Morgan Cheatham’s Deep Insights on How AI and Multi-omics are Reshaping the Frontiers of Biomedicine

在醫療技術快速發展的現代，人工智慧已然成為推動醫療進步的關鍵動能。Morgan Cheatham 作為一名創投及準醫師，讓我們透過他對醫療 AI 發展的觀察與預測，理解 AI 從自動化臨床文書處理到它在基因組醫學（Genomic Medicine）中的變革性潛力如何成為可能。

Morgan Cheatham：跨界人才的成長軌跡

非傳統教育與職涯歷程

Morgan Cheatham 在華盛頓特區郊區長大，從小就立志成為一名醫師。「我從懂事以來就一直想成為一名醫師，我做的一切都是為了這個目標，從來沒有動搖過」（”I’ve wanted to be a physician for as long as I can remember, and everything I did was in service of that goal. I never wavered.”），儘管不是出身於醫師世家，在華盛頓特區，醫師是個備受尊崇的職業，而且靠近 NIH（美國國家衛生研究院，National Institutes of Health）等世界級研究機構，持續激發著他對醫學的熱情。

Cheatham 的轉捩點來自高中時期的一次醫院實習經驗，他親眼目睹 Inova 醫院從紙本轉向 Epic 電子病歷系統的混亂過程。「這次經歷完全顛覆了我的觀念，從醫師們對新系統的不滿，到紙張滿天飛、整個過程的混亂，我知道這是一個關鍵的時刻，而我必須以某種形式參與其中，研究並追求它」（”That experience completely upended my thinking. From the physicians’ disparaging comments about the new system, to paper flying everywhere, to the chaos of the whole process, I knew this was a significant moment and I had to somehow be involved in it, study it, and pursue it.”）。

這段經歷推動他在布朗大學所選的專業 — — 「計算決策科學」（Computational Decision Sciences），這門跨學科專業，旨在研究人類如何做決策，透過古典數學微觀經濟學的視角，並用當代計算機科學和計算神經科學（Computational Neuroscience）的理解進行策略微調。正是在這段學習期間，Cheatham 開始深入研究 AI，了解這些系統在理論基礎下如何進行互動，同時探索它們如何應用於醫學領域。

醫學與創投的雙重身分

大學期間，Cheatham 遇到了 Graham Gardner 這位醫師導師，他也是 Kyruus 公司的創始人兼 CEO；當時 Gardner 正利用大數據嘗試在正確的時間將「正確」的醫師與「正確」的病人配對起來 — — 這也是個至今我們仍在試圖解決的問題。在 Gardner 和他的團隊指導下，Cheatham 學會寫程式、並開始在實際臨床現場中運作這些系統。

畢業後，一個偶然的機會讓 Cheatham 遇到 Bessemer 的一位合夥人，之後他也成為了 Bessemer 的分析師。「這本來應該是為期兩年的醫學院延遲入學，但很快變成四年；疫情時，科技和醫學領域發生了太多事情，然後我們就迎來了 ChatGPT 時代」（”It was supposed to be a two-year deferral from medical school, but it quickly turned into four years. The pandemic happened, so much was going on in tech and medicine. And then we had the ChatGPT moment.”）。

目前 Cheatham 是 Bessemer Venture Partners 紐約辦公室的副總裁，聚焦於健康照護和生命科學領域的投資，從種子輪到較晚期的增長階段都有涉略。他專門研究橫跨軟體（Software）、治療方法（Therapeutics）、服務（Service）和診斷（Diagnostics）的價值鏈，致力改善從實驗室到臨床（from Bench to Bedside）的病人照護，並領導生物醫學人工智慧的投資工作。

他的投資組合包括多家創新企業，如 Abridge、Hinge Health、Seismic Therapeutic、Headspace Health 等，曾獲得《富比世》30 位 30 歲以下傑出人物（Forbes 30 Under 30 for Venture Capital 風險投資類別）和美國國家風險投資協會（NVCA）2023 年度新星獎的榮譽（National Venture Capital Association Rising Star Award）。

目前，他正在布朗大學沃倫·阿爾珀特醫學院（The Warren Alpert Medical School）攻讀醫學學位，研究重點是人工智慧在生物醫學中的應用，多篇研究已發表在《自然醫學》（Nature Medicine）、《NEJM AI》和《PLOS》等頂級學術期刊上。此外，他還是 NEJM AI 的編輯團隊成員和 Coalition for Health AI 的董事會成員。

跨領域學習的獨特優勢

Cheatham 認為自己的非傳統路徑不僅不是劣勢，反而提供了獨特的視角。「當我回顧過去 10 年的職業生涯，我認為醫師有著非常神聖的、一對一的醫病關係，這是傳統醫學生或受訓醫師所追求、研究的，我認為在照顧病人的過程中所獲得的知識與機會是無法在其他地方複製的」（”When I reflect on the past 10 years of my career, I think physicians have this very sacred one-to-one patient relationship that traditional medical students or trainees pursue and study, and I think the knowledge and opportunity gained in caring for someone is not replicable elsewhere.”）。

「當你思考在科技和資本市場中發生的事情時，它們是可以用非線性方式規模化這種神聖的一對一醫病關係的方式，無論是考慮 AI 醫師結構、還是考慮投資資本到將治療疾病的療法當中，」（”When you think about what’s happening in technology and capital markets, these are things that can scale that sacred one-to-one relationship in a non-linear way, whether it’s thinking about AI physician constructs or thinking about deploying capital into therapies that will treat disease.”）Cheatham 補充，「我認為當你有照顧病人的經驗時，人們才能享受在這些不同層次上發揮影響的感覺」（”I think people really enjoy the feeling of being able to operate at these different levels when you have the experience of caring for patients.”）。

ChatGPT 與 USMLE：AI 在醫學教育中的潛力

一項開創性的研究

Cheatham 最著名的研究之一是評估 ChatGPT 在美國醫師執照考試（United States Medical Licensing Examination, USMLE）上的表現，他與 Ansible 公司的 CEO、醫師科學家 Jack Poe 合作進行這項研究，「ChatGPT 被發表之後，我們都在努力弄清楚這項技術在醫學場域中能做什麼」（”After ChatGPT was released, we were all trying to figure out what this technology could do in a medical setting.”）「我認為這源於一個現實，本來就已經有許多團隊在使用 GPT-2 和更早期的版本，但模型表現和使用者界面，我認為才是吸引了更多人來探索其功能的主因」（”I think it stemmed from a reality where there were many teams using GPT-2 and earlier versions. But the performance and interface, I think, attracted more people to explore its capabilities.”）。

研究團隊發現 ChatGPT 在 USMLE 考試上表現優異，也震驚了醫界；當 Cheatham 被問及看到 AI 通過了他尚未通過的醫師執照考試時有什麼感受，他幽默地回應：「老實說，我為 ChatGPT 感到高興；我一直是一個透過體驗動態學習的人，所以我很高興 ChatGPT 考過了，我的生活也會繼續往前進」（”Honestly, I was happy for ChatGPT. I’ve always been an experiential, dynamic learner, so I was glad ChatGPT got it done, and I got it done and moved on with my life.”）。

研究的影響與批判性反思

這項研究在 2023 年初發表，比 GPT-4 的推出還早，使用的是最初在 2022 年 11 月發布的 ChatGPT 版本。在那個時候，大家普遍認為 AI 模型是不可能通過如 USMLE 這類的標準化測驗的；而這項研究不僅證明了這是可行的，同時也引發關於醫學教育和評估判準等層面更廣泛的討論。

Cheatham 也對這項研究有所反思：「在某種程度上，當我回頭省視這篇論文，我會說它既是最好的論文產出經驗，就其速度和我們所提出的激進思想而言，卻也是最糟糕的論文之一。」（”In some ways, when I reflect on that paper, I say it was both the best paper experience, in terms of its speed and the radical idea we put forth, and also one of the worst papers.”）他解釋，「這篇論文當時將 GPT 定位為潛在的學習工具，即使它的表現結果衍生了更多可能性，但我們沒有妥善處理的是美國醫師執照考試作為標竿的不完美」（”The paper positioned GPT as a potential learning tool at the time, even though its performance suggested more possibilities. What we didn’t adequately address was the imperfection of the USMLE as a benchmark.”）。

他指出，醫界後來對 USMLE 這個 Benchmark 產生了某種痴迷，而這正是他最擔心的。「我希望我們原本能更全面地去思考 USMLE 之於人類臨床醫師和 AI 的局限，我想在過去幾年裡，有越來越多人已經開始以更真實的方式去思考這個問題，就像我們最近在 CRAFT-MD 論文中看到的那樣」（”I wish we had thought more about the limitations of the USMLE for both human clinicians and AI. I think now over the past couple of years, more people have started to think about this problem in a real way, like we’ve seen recently with the CRAFT-MD paper.”）。

AI 與醫學教育的交叉點

作為一名醫學院的學生，Cheatham 親身經歷了 AI 革命對醫學教育的影響，「在我醫學院的第二年期間，看到這項技術被釋出且竄紅，老實說，我不得不面對一個現實，就是我即將被評估的標準、學業考試、USMLE，並沒有探索在我們這個時代的醫師會是什麼模樣」（”One thing I want to talk about is during my second year, seeing this technology released into the wild, and honestly, having to confront the reality that the benchmarks I was being evaluated on, my course exams, the USMLE, weren’t exploring what it would be like to be a physician in that era.”）。

一旦成為有執照認證的醫師，大多數的再認證考試是 Open-Book 考試，「我有許多同事現在都在使用 OpenEvidence、ChatGPT、Claude 來準備這些考試」（”Many of my colleagues are now using OpenEvidence, ChatGPT, Claude to pass these exams.”），這引發了兩個不同的問題：一是我們如何重新設計以人為中心的評估的 MedicalAI；二是我們如何思考能夠掌握臨床工作脈絡的 AI Benchmarks。

他認為醫學教育需要超越「資訊爆炸和記憶」的方法，轉向批判性獨立思考的學習和思考系統，「學習醫學就像學習一種新語言，我們需要權衡學習專有名詞、術語詞彙的同時，迫使人們真正地思考，有意識地跟 AI 一起思考」（”Learning medicine is like learning a new language. So we need to balance learning that terminology and vocabulary while forcing people to really think. And I think thinking with AI, and teaching that in a conscious way.”）。

AI 在臨床病歷中的革命：Abridge 案例研究

環境聆聽技術的崛起

在醫療 AI 應用的眾多領域中，「環境式臨床記錄」或 AI 助手記錄（AI Scribe）可能是目前採用最為廣泛的一類，而 Cheatham 認為「無論我們講的是哪個供應商，環境語音這個領域是從電子病歷發展以來醫療體系和醫院最大規模且一致採用的技術」（”The ambient listening space, regardless of which vendor you’re talking about, is the largest consistent adoption of technology by health systems and hospitals since the electronic health record.”）。Abridge 這家位於美國賓州匹茲堡的醫療 AI 新創是這類公司的代表，主要產品是利用 AI 自動生成臨床筆記和醫療對話，有系統性地以完整、準確的方式記錄並整理這些資訊，以減輕醫療人員的行政負擔，使數據可用於更末端的應用，如向其他醫師提供資訊、以可被理解的格式向病人提供資料、醫療院所 / 政府醫藥單位或保險部門對於給付額度週期、臨床結果品質報告等，使醫療工作者能更專注於照護病人。

Abridge 最開始是一個面向消費者的應用，「創始人 Shiv Rao 博士是位心臟科專科醫師，與卡內基梅隆大學的 Zach Lipton 合作開發這項技術，最初這項服務是直接給病人來使用，因為病人常常看一堆不同的門診，從基層醫療到內分泌專科醫師，再到心臟病專科醫師，但他們彼此之間沒有交流」（”The founder, Dr. Shiv Rao, who’s a trained cardiologist, worked with Zach Lipton at Carnegie Mellon to develop this technology. Initially, the distribution model was direct to patients, who were being rotated between different visits, from primary care providers to endocrinologists to cardiologists, who weren’t talking to each other.”）。

「我們能否從病人開始，逆向工程一個具有互操作性的解決方案？這被稱為個人健康記錄的概念，我們能否在病人進入健康照護系統就醫的過程中，透過他們的經驗來更新病人的資訊和醫療表型？」（”Could we start with the patient and reverse engineer an interoperability solution? This is called the concept of a personal health record. Could you update a patient’s information and phenotype because they’re bumping into the system and experiencing healthcare?”）這個消費性產品確實獲得了許多罕見疾病病人的關注，因為這些病人特別能在看病的過程中感受到前述的痛點。

隨著公司以及市場的成熟，特別是像 ChatGPT 這樣的產品教育了醫療體系裡的管理階層，讓他們認知到這些技術是真實的，而不僅僅是創始人試圖遊說的空中樓閣，讓 Abridge 能夠重新定位面向企業，「剩下的就是歷史」（”the rest is history”）。

商業模式和價值主張

儘管醫療 AI 應用最困難的事情之一是商業模式和使用者定位，但 Ambient Listening 技術找到了明確的價值主張，「如果要在後疫情的現實來定位自己，這幾年美國有一半的醫院利潤是虧損的，也就是邊照顧病人但邊賠錢，因此面臨著醫療人員的大離職潮，不只是臨床醫師而已，這整個系統裡的人都在面臨著當前工作方式的巨大身心耗竭」（”Let’s position ourselves based on the post-pandemic reality. In the post-pandemic years, half of the hospitals in the US had negative margins, meaning they lost money providing care. You have the great resignation of healthcare workers, not just clinicians, but people really across the system, facing massive burnout with the current way of working.”）。

隨著 GPT 和其他相關技術的出現，醫療領域出現了令人興奮的使用者體驗，這在醫療領域是前所未見的，「設計從來不是我們行業的長項」（”Design has never been our industry’s strong suit.”）Cheatham 指出這些發展與趨勢的完美結合促成了環境式臨床記錄的採用。

至於商業模式，大多數業者都將這項技術作為軟體產品銷售給醫院，作為臨床醫師的工具；隨著這些企業進入收益週期管理（Revenue Cycle Management）、臨床研究等其他領域，也有可能會出現其他商業模式。Cheatham 預測「我認為環境背景的錄音應該要提高我們對病人所收集的資料品質，這將有利於研究和生命科學以及真實世界中正在發生的事情」（”I think ambient recording should improve the quality of data we collect about patients, which will benefit research and life sciences and what’s happening in real-world data.”）。

投資策略：如何分析醫療 AI 創新

AI 優先與 AI 賦能公司的區別

在討論投資策略時，Cheatham 會區分「AI 優先」（AI-first）和「AI 賦能」（AI-enabled）公司。「AI 優先是實際上在 AI 的方法學層面上創新的公司和團隊，他們會發表論文、在頂尖的 AI 會議上報告、真正推進我們應用 AI 角度與能力的企業」（”AI-first companies and teams are those that are actually innovating at the methods layer of AI, publishing papers, presenting at top AI conferences, enterprises that are truly advancing our capabilities from an applied AI perspective.”）他解釋 Abridge 就是一個很好的例子，另一家從史丹佛大學放射科實驗室的 Subtle Medical 也是，這些公司的團隊聘請許多 AI 科學家、也頻繁與學術界合作。

相比之下，「AI 賦能」公司更多是在部署 AI 的業務，「無論是直接部署大型語言模型、拼湊出一個系統、或者把個別的模型組裝整合起來，像是管弦樂團裡的各種樂器」（”whether it’s deploying some direct things like large language models, or stitching together a system, or thinking about each individual model as a type of instrument in a broader orchestra.”），這類公司有時被貶稱為「GPT 包裝器」（GPT Wrappers），但 Cheatham 並不認同這種說法。

分配和商業模式的重要性

Cheatham 被問及 DeepSeek 和 OpenAI 之間的動態關係，是否改變了他對護城河與技術壁壘的看法時，Cheatham 強調了分配（Distribution）的重要性：「醫療照護和生命科學領域中最大的壁壘是分配，因為企業、醫院採用技術的方式往往要慢上許多；一旦技術導入了，我們可以預期該技術在那個場域可以蓬勃發展 10 年」（”The biggest moat in healthcare and life sciences is distribution, because the way enterprises adopt technology tends to be much slower, sometimes in a hospital setting. Once a technology is adopted, we see that technology thrive for 10 years in that environment.”）。

「如果你能夠度過那場通常需要 12 到 24 個月的時間風暴，成功向這些大型企業銷售並進入公司的內部環境，這本身就形成了一個巨大的壁壘，也就是 AI 賦能公司得以發揮作用的地方」（”If you can weather that storm, which typically takes 12 to 24 months to sell into these large enterprises and get inside, that in itself is a huge moat, and that’s where AI-enabled companies play a role.”）。

AI 優先的公司仍有巨大的機會，但需要非常具體地決定自己要在專業 Stack 的哪個層次的方法學上做創新，「我們認為在生物學領域中的大型語言模型的基礎模型 Layer 不會發生這種情況，例如在 PLM（蛋白質語言模型，Protein Language Models）？我沒什麼信心」（”We can all agree after this call that it’s not going to happen at the foundation model layer of large language models in biology. Is it going to happen in PLMs? I’m less confident.”）。

技術壁壘將來自更 Niche 的應用，例如「在臨床實體識別（Clinical Entity Recognition）、特定的變異解釋協議（Variant Interpretation Protocols）、或者想到更深一層、試圖解決的問題理解變得更加細微」（”in clinical entity recognition, or if it’s in specific variant interpretation protocols, or you think about going a layer deeper and becoming more nuanced about the problem you’re trying to solve.”），例如他們的一家公司 Seismic Therapeutic 專注於「設計表位以減輕免疫原性」（”designing epitopes to mitigate immunogenicity”）。

選擇創始人和團隊的關鍵因素

當談到尋找投資公司的 Fournder 時，Cheatham 強調團隊學習速率（Learning Rate）的重要性。「我最重視的是團隊的學習速率，如果我們週一討論、接著週五再次交流，你對於你的業務、客戶群、技術學到了什麼？你的學習對上時間的曲線軌跡如何？」（”What I value most is what I call the learning rate of the team. If we talk on Monday, and then we talk again on Friday, what have you learned about your business, your customer base, your technology, and really tracking that curve over time?”）當他支持這些具有非常高學習率的創辦人時，他發現這種特質會產生複利效應，使他們能夠「誠實找到真相、客觀真理，並以高度知情的方式做出決定」（”frankly find the truth, the objective truth, and make decisions in a highly informed way.”）。

除了各領域專家外，Cheatham 還會選擇那些關注醫療照護和生命科學以外領域發展的人，「太多偉大的想法來自這些技術導入比我們更快的其他產業，跨領域的遷移式學習相當令人印象深刻，並且真的可以往前推進」（”Because so many great ideas come from these other industries that adopt technology faster than we do. The transfer learning across industries is quite impressive and can really move the needle forward.”）他解釋。

基因組學與多組學：醫療的未來願景

從 NIH 的啟示到臨床基因組學的轉變

Cheatham 在 NIH 實習的經歷對他的醫療願景產生了深遠的影響，「我之前有機會在 NIH 實習三個月，我開玩笑說，我看到如果我們真的為病人投資到正確的事情，醫學是如何可能被實踐」（”I had the opportunity to spend three months at the NIH as part of a rotation, and I joke that I saw how medicine could be practiced if we truly funded the right things for patients.”）。

他認為基因組學（Genomics）和多組學（Multi-Omics）領域正在發生令人振奮的轉變，「臨床上，臨床正在迅速改變，就跟 AI 一樣，也似乎享受到耶文斯悖論 Jevons paradox 的果實，即隨著基因組技術效率變得更好、更多人能用到且更便宜，它們的整體使用量更是增加」（”Clinically, I’ve found a home in clinical genomics, which is a rapidly changing field. Like AI, it seems to be benefiting from the Jevons paradox, where as genomic technologies become more efficient, accessible, and cheaper, their overall use is increasing.”）；基因組學及多組學也在經歷從本質的診斷到越來越多藉由基因醫學進行治療的有趣轉變，「這就是我在過去 18 個月在臨床和研究的領域」（”That’s where I’ve been spending time over the past 18 months, from both a clinical and research perspective.”）。

基因組學習健康系統的願景

談到未來的願景，Cheatham 熱衷於基因組學習健康系統（Genomic Learning Health System）的概念，「我對基因組學習健康系統這個概念感到興奮，在未來幾十年，更多人將接受外顯子組（Exome）或基因組（Genome）等分子測試，幫助我們理解蛋白質在特定疾病狀態中是如何表現、發生的」（”I’m excited about genomic learning health systems. I’m excited about this concept that over the next few decades, a greater proportion of people will receive molecular testing, whether it’s an exome or a genome, or more specific tests that help us understand how protein expression is happening in specific disease states.”）。

他希望能將這些資訊與現在電子病歷系統中的臨床數據結合起來，「基因組學習健康系統是在大家接受分子測試後，再在醫療照護系統裡就醫的概念，當他們就醫時，我們不斷更新他們的表型（Phenotype）、了解他們所發生的新狀況」（”If you think about what a genomic learning health system represents, it’s the concept of people receiving molecular testing and then bumping into the health system and receiving care. As they receive care, we’re constantly updating their phenotype, describing new things that are happening to them.”），「當我們掌握這些資訊時，我們可以回去更新我們解讀他們特定的基因組和多組學脈絡的方式，以更精確地了解他們的健康狀態」（”As we capture that information, we can go back and update how we interpret their specific genomic and multi-omic background to be more precise around how we think about their health and well-being.”）。

「我認為這將會先發生在罕見疾病的領域，其實也已經有看到了這樣的案例，但就像我們最近在 Mayo Clinic Tapestry 研究中看到的那樣，我們可以從更宏觀的公衛、多組學和基因組學角度來思考這個問題，不僅具有診斷價值，而且有越來越多預防性和治療性的角色」（”I think this will manifest first in rare disease, as it already has. But I hope we get to a point, like we’ve seen recently with the Mayo Clinic Tapestry study, where we’re thinking about this from a broad population approach, from a multi-omic and genomic perspective, that is not only diagnostic but increasingly preventive and interventional.”）。

多組學方法的跨專業應用

Cheatham 指出，腫瘤學（Oncology）在許多層面都已經在為多組學鋪路，「當你不幸被診斷出罹有癌症時，通常不僅已經知道癌症的類型，也知道致癌的突變。然而其他專科和疾病狀態往往缺乏類似的分子精確度，以心衰竭為例，病人可能只是被告知有是一般的心衰竭」（”In oncology, when you’re unfortunately diagnosed with cancer, you typically not only know the type of cancer but also the driver mutation behind it. However, when we look at other specialties and disease states, there’s often a lack of the same level of molecular precision. Think about heart failure, you might be told you have generic heart failure.”）。

他希望在未來十年所追求的一個方向是所謂的「其他專科的分子學」（”Molecularization of Other Specialties”） — — 心臟科、神經科、腎臟科、內分泌科，「因為我看到將多組學的洞見帶進這些領域所能帶來的巨大機會」（”Because I see enormous opportunities to bring multi-omic insights into these areas.”）。

醫療 AI 的商業挑戰：支付模式的障礙

技術不再是障礙

在討論阻礙基因組和多組學未來的潛在因素時，Cheatham 直言不諱地指出「給付模式在阻礙健康照護中的每一件偉大的事情！我覺得我們沒有能支持它的給付模式」（”Payment models. What stands in the way of every great thing in healthcare? I feel like we don’t have payment models to support it.”），並提出一個問題：「如果你今天是一家商業保險公司，平均會員的綁約期間約兩年，你幹嘛要思考要不要幫他們支付分子測試費用、以預防可能在 40 年內可能出現的疾病？你為什麼要為理論上會治癒那個病人的基因或 siRNA 療法買單？」（”If you’re a commercial insurance company today, and your average member is going to be with you for two years, why do you care about paying for their molecular testing to prevent some disease that might manifest in that person over a 40-year time horizon? Why do you want to pay for a gene therapy or siRNA therapy that theoretically will cure that patient if you’re not going to be on the hook for paying?”）。

商業模式與經濟模式的重要性

Cheatham 強調，「科學、運算、技術創新不再是障礙，也許這是個謬論，但考慮到運算能力、資料存取、我們在進步曲線的發展方向，技術並不是健康照護和生命科學中的問題」（”If people take anything away from our conversation, I hope they hear me say: The science, the computation, the technological innovation is no longer the barrier, and maybe it never was. Maybe that’s a fallacy, but given the computational power, the data access, the direction we’re headed in terms of the progress arc, technology is not the problem in healthcare and life sciences.”）。

「問題其實在於商業模式、經濟模式、照護的給付方式以及背後的誘因結構，我希望越來越多的技術專家能花一點時間解決這些問題，因為我們所有人都可能會從中獲得諸多好處」（”The problem is the business models, the economic models, the way care is paid for, and the underlying incentive structures. I hope more and more technologists spend a little bit of time solving those problems because I think it would be extraordinarily beneficial for all of us.”）他總結道。

台灣生物醫學產業的發展與 AI 機遇

台灣生物醫學產業現狀

在全球背景下審視台灣的生物醫學產業，台灣的「5+2」創新產業計劃將生物醫學列為優先發展領域，2016 年政府推動生物醫學產業創新計劃（Biomedical Industry Innovation Program, BIIP），目標是將台灣建設成為亞太地區生物醫學研發的中心，利用台灣在半導體和製造業方面的能力來推動生物醫學產業向前發展。

2021 年，台灣的生醫產業收入達到 237.9 億美元，相比 2020 年（203.2 億美元）增長了約 17.1%；雖然健康照護是台灣生醫產業中最大的子領域，2021 年收入為 75.9 億美元，佔產業總收入的 31.9%，但醫療器材（Medical Devices）排名第二，2021 年收入為 84.3 億美元，佔總收入的 35.4%。疫情加速了生醫產品的國內開發和製造，生醫產業的收入在 2021 年增長了 10.9%，達到過去十年的歷史新高，為新台幣 6665 億元。2021 年，台灣有 128 家上市生物技術公司。

生醫創投在台灣的崛起

創投在促進台灣生醫產業發展方面發揮關鍵作用，以台灣首家公開上市的創投公司 Diamond Biofund 為例，它的上市申請實收資本為 63.5 億元，主要業務是風險投資，主要股東包括 Microbio 和 Oneness Biotech（40%）、富邦金融（33.46%）、台新控股（9.66%），Diamond Biofund 主席 William Lu 表示：「展望未來，Diamond Biotech 希望在將更多國際資本、市場、技術和產品與台灣聯繫起來，發揮更多功能的角色」。他指出，自 2013 年成立以來，Diamond Biofund 持有良好的業績記錄，特別是在投資台灣早期生物技術項目方面。

生物技術產業是台灣未來的核心產業，但生物技術產業的投資期太長、風險太高，台灣生物技術產業的產出僅佔全球的0.4%。他指出，雖然台灣生物技術資本市場價值超過新台幣 1 兆元，但與亞洲鄰國相比仍然微不足道，日本的生物技術資本市場價值約為新台幣 16 兆元，中國為 33 兆元，香港為 8 兆元，韓國為 6 兆元。

台灣政府對生物醫學和醫療 AI 的支持

台灣政府對科技和醫療發展的投入也正在增加，根據台灣行政院長卓榮泰的說法，政府已經為 2025 年的科學和醫療發展分配了 1466 億元新台幣（46 億美元），比 2024 年增加了 14.9%；在 Bio Taiwan 委員會上，卓榮泰表示台灣的高科技產業（包括半導體和 AI）在國際上享有盛譽，而生物技術產業在台灣有堅實的基礎，政府將繼續推動立法改革，將台灣定位為先進醫療技術的領導者。

卓榮泰表示台灣面臨著人口高齡化、產業供應鏈重組和 AI 崛起等挑戰，並重申了賴清德總統增加醫療投資和創造健康台灣的承諾；卓榮泰表示，公共部門、學術界和產業之間的合作使台灣的醫療品質達到世界一流水準，醫療照護指數連續六年在全球排名第一，台灣的許多醫療機構也在智慧醫療取得了顯著進展。台灣已經利用製造業優勢發展了由 AI 驅動的醫療照護和資通訊技術（ICT）產業，這些是蓬勃發展的產業鏈的基礎，他敦促學者和專業人員繼續發展台灣的醫療產業。

台灣生物醫學投資基金概覽

台灣有多個創投基金專注於生物技術和醫療科技新創公司，根據 2025 年 2 月的排名，以下是台灣一些主要的生物技術創投基金：

1. Darwin Venture Management：達盈管顧成立於 2009 年，管理八隻基金，主要投資於 A/B 輪、後期階段和二級基金，2022 年還推出了一隻永續天使基金，以對他們看好的早期團隊進行更有彈性的投資，尤其是來自台灣優秀學術和研究機構的團隊。

2. DCI Partners：大和企業投資株式會社專精於藥物開發（Drug Discovery）和再生醫學（Regenerative Medicine）領域的創投公司。

3. Pangu Venture Capital：專注於互聯網、生命科學、清潔技術、人工智能和文化的創投公司。

4. Biomark Capital：為早期、中期和後期生命科學公司提供創投資金和協助，目標是那些將改變健康照護的創新診斷、治療、醫療器材和數位健康的公司。

此外，台杉投資（Taiwania Capital）管理多個重要的投資基金，包括：

1. 基金二：規模為 2 億美元，投資具有顛覆性和先進技術的公司，解決 Unmet Medical Needs，主要投資理念是將台灣創新與全球生物技術產業連接起來。

2. 基金三：規模為 5900 萬美元，專注於投資開發治療/診斷設備或精準健康（Precision Health）相關醫療技術的醫療科技新創公司，台杉幫助優化這些新創的增長、新產品發布和新市場準入。

3. 中東歐投資基金（CEE 基金）：由台灣國家發展委員會委託，台杉資本從 2022 年 3 月開始管理中東歐投資基金，致力於對台灣和中東歐公司進行股權投資，目的是加強台灣與歐洲民主盟友的經濟和投資聯繫。CEE 投資基金投資於台灣和中東歐公司，涉及半導體、雷射光學、生物技術、航空航太、金融科技、電動車、智能製造、軟體開發和智慧城市等戰略重要領域。

此外，CDIB 資本（中華開發資本）於 2020 年完成了第二個新台幣計價生物技術基金「Healthcare Fund II」的融資，金額約為 31.1 億新台幣，是台灣一個大型新生物技術風險投資基金。CDIB 資本醫療創投董事長何宜霖表示，除了人民幣計價生物技術基金和自有基金外，CDIB 資本管理的兩個國內生物技術基金總價值近 50 億新台幣，可以為台灣的生物技術部門注入新資金。

Healthcare Fund II 是 CDIB 資本在 2014 年以 17.5 億新台幣成立 Healthcare Fund I 後的第二個新台幣計價生物技術基金，規模幾乎是第一個基金的兩倍，主要投資者包括 CDIB 資本、行政院國家發展基金、其他金融集團的風險投資、人壽保險公司、台灣證券交易所和櫃檯買賣中心上市公司、生物技術相關企業、傳統產業和家族辦公室。

超過 60% 的 Healthcare Fund II 資金將分配給與台灣相關的目標，旨在實現支持台灣生物技術部門和為基金創造優異回報的兩個目標，投資策略是透過主要投資於具有高盈利增長的年輕公司和具有公平盈利增長的擴張階段公司，多元化資產配置以建立具有良好風險回報比的投資組合。

整合醫療 AI 與多組學的前景

台灣如何利用 AI 與多組學優勢

鑑於 Morgan Cheatham 的洞見和台灣的特點，台灣有機會整合 AI 和多組學來提升醫療系統，因為我們擁有相當高水準的醫療體系、強大的半導體和製造業基礎，以及政府對生物醫學產業的支持，為發展創新醫療 AI 解決方案提供了有利條件：

1. AI 輔助診斷和臨床決策支持系統（AI-assisted diagnosis and clinical decision support systems）：利用台灣強大的電子健康記錄系統和全民健保數據，開發 AI 模型來輔助診斷和治療決策。台灣的全民健保制度和電子病歷系統，累積了超過 20 年的醫療數據，健保資料庫涵蓋了約 2,300 萬人口的完整就醫記錄，包括診斷、處方、檢查和治療結果等資訊，是全球最完整的醫療數據庫之一。這些數據可用於訓練 AI 模型，幫助醫師進行更準確的診斷和治療決策。例如，台灣可以開發針對亞洲人群特有疾病模式的 AI 系統，如 B 型肝炎相關肝癌、亞洲特有的糖尿病表型或對特定藥物的反應模式，提高診斷準確率、預測疾病風險，推薦個人化治療方案。台北榮總與台灣 AI 新創公司合作開發的肺癌 AI 輔助診斷系統，準確率達到 90% 以上，未來可以擴展到更多疾病領域，如心血管疾病、神經退化性疾病和自體免疫性疾病等。

2. 環境聆聽和 AI 助手記錄技術（ambient listening and AI scribe technology）：如同 Abridge 在美國的成功，台灣可以開發本地化的解決方案，幫助醫師減輕文書工作負擔，提高臨床效率。醫師文書工作負擔重是全球醫療體系面臨的共同挑戰，根據台灣醫學會的調查，台灣醫師平均每天花費 2–3 小時在文書工作上，不僅降低臨床效率，也是醫師倦怠的主要原因之一。環境聆聽技術自動記錄醫師與病人的對話，並轉化為結構化的醫療記錄，台灣可開發適合中文環境的本地化解決方案，考慮到台灣醫療體系的特點和中文語言的特性。台灣在自然語言處理（NLP）和語音識別技術方面有強大的研究基礎，如中央研究院資訊科學研究所和台灣大學資訊工程學系等機構都有相關研究團隊，結合台灣的半導體優勢，可以開發高效能、低功耗的 AI 助手記錄設備，不僅可以服務台灣市場，還可以拓展到其他中文使用地區。此外，台灣的醫療隱私法規相對完善，可以在保護病人隱私的前提下，建立適合環境聆聽技術應用的法規框架，促進這類技術的安全採用。

3. 基因組和多組學檢測的普及（genomic and multi-omic testing）：隨著檢測成本降低，台灣可以擴大基因組檢測的應用範圍，特別是在罕見疾病、腫瘤科和慢性疾病管理方面。多組學是指整合基因組學、轉錄組學（Transcriptomics）、蛋白質組學（Proteomics）、代謝組學（Metabolomics）等多層次生物學數據的方法，提供更全面的疾病機制理解和個體化治療方案。台灣在基因組學研究方面已有堅實基礎，台灣人體生物資料庫（Taiwan Biobank）已收集了超過 10 萬名台灣人的生物樣本和健康資料，為研究台灣人群特有的基因變異提供了寶貴資源，台灣也有多家生物科技公司專注於基因檢測服務，如基亞生物科技和安盛生科等。隨著測序技術成本的降低，台灣可以擴大基因組檢測的應用範圍：

. 罕見疾病診斷：台灣每年約有 2,000 名罕見疾病病人，許多病人需要經歷漫長的「診斷之旅」，全基因組或全外顯子組測序可以大幅縮短診斷時間，提高診斷準確率。
. 腫瘤精準醫療：針對常見癌症如肺癌、乳癌、大腸癌等，開發基於基因突變的個人化治療方案，台灣可以建立本土癌症基因數據庫，研究台灣人群特有的癌症基因特徵。
. 慢性疾病風險預測與管理：利用多組學數據預測糖尿病、高血壓、心血管疾病等慢性疾病風險，實施早期介入。
. 藥物基因組學：研究台灣人群對不同藥物的反應差異，開發藥物基因組學檢測，減少不良反應，提高治療效果。台灣的半導體製造優勢也可以應用於開發更高效、更便宜的基因測序儀器和晶片，降低檢測成本，促進普及應用。

4. 整合式基因組學習健康系統（integrated genomic learning health system）：利用台灣全民健保的優勢，建立全國性的基因組學習健康系統，將基因組數據與臨床數據結合，提供更精準的醫療服務。台灣全民健保系統的普及率超過 99%，為建立全國性的基因組學習健康系統提供優勢，可以將個體的基因組數據與電子病歷系統中的臨床數據結合起來，隨著個體在醫療系統中的互動不斷更新其健康表型（Phenotype）資訊，讓系統可以學習基因型（Genotype）與表型之間的關聯，不斷優化疾病風險預測和治療方案：

. 建立台灣人群基因組參考數據庫：收集具有代表性的台灣人群樣本，建立台灣特有的基因組參考數據庫，作為精準醫學的基礎。
. 開發安全的數據共享框架：建立符合隱私保護要求的數據共享機制，允許研究機構和醫療機構在保護個人隱私的前提下共享和分析基因組和臨床數據。
. 整合 AI 分析平台：開發AI算法，從整合的基因組和臨床數據中挖掘有價值的模式和關聯，支持精準診斷和治療決策。
. 建立臨床決策支持系統：將 AI 分析結果轉化為臨床可用的決策支持工具，幫助醫師制定個人化治療方案。
. 實施人口健康管理策略：基於基因組和臨床數據，設計針對特定高風險人群的預防和介入策略，提高公共衛生效率。

商業化和支付模式的創新

正如 Cheatham 強調的，技術創新已不再是主要障礙，商業模式和給付系統才是關鍵挑戰；台灣的全民健保制度可以設計創新的給付模式來支持 AI 和基因組醫學的應用：

1. 基於價值的支付模式（value-based payment models）：一種將支付與健康結果掛鉤的模式，而非傳統上僅基於服務數量的給付方式，旨在提高醫療品質並降低相關醫療支出，在台灣實施基於價值的支付模式可以：
– 改變醫療提供者的獎勵機制，從「多做多得」轉向「做得好才得到更多」
– 促使醫療機構更注重治療效果和病人長期健康狀況
– 鼓勵採用能夠提高治療效果的創新技術，包括 AI 診斷工具和基因組分析
台灣已經開始嘗試一些類似的方法，例如針對結核病到思覺失調症等疾病的「論質計酬」（pay for performance）疾病管理方式，來促進整體的治療，以治療的品質和有效性作為申報的基礎。然而根據 OECD 的研究，基於價值的支付模式在實施上仍面臨挑戰，其對醫療支出、結果和病人體驗的影響因項目而異，通常只能帶來適度的效率和質量提升。因此台灣在設計這類模式時需要考慮本地醫療環境的特點，從小規模試點開始，證明價值後再擴大規模。

2. 風險分擔機制（risk-sharing mechanisms）：在採用創新但昂貴的治療方法時，保險方和製藥/生物技術公司共同承擔風險。風險分擔機制（也稱為管理準入協議，Managed Entry Agreements, MEAs）是近年來全球醫療系統中越來越常見的做法，特別適用於那些臨床效果或財務影響存在不確定性的創新藥物；此機制在台灣的應用可以採取多種形式：

基於結果的風險分擔：
– 製藥公司免費提供新藥三個月，如果藥物證明有效，從第四個月開始支付
– 政府從一開始就核報藥物成本，但如果醫院發現治療無效，製藥公司退還已花費的金額

基於財務的風險分擔：
– 製藥公司同意返還一定比例的藥物支出
– 承擔治療初期的藥物成本
– 支付聯合治療中使用的其他藥物費用

台灣已在 2018 年 9 月 19 日由衛生福利部正式宣布了進入 MEA 計劃的指導方針，國際研發製藥產業協會（IRPMA）首席運營官林慧芳（Heather Lin）表示：「提供全民醫保的負擔不應該只由政府承擔，也應該由產業和通過自付額的病人共同承擔。」加泰羅尼亞衛生服務（CatSalut）的經驗表明，風險分擔協議的成功需要健全的研究設計、適當的財務、技術和行政資源，以及強而有力的利益相關者承諾和溝通；台灣可以借鑒這些經驗，建立系統化、可追蹤和透明的風險分擔協議設計和實施方法。

3. 長期健康投資（long-term health investment）：設計機制來獎勵預防性的介入和長期對健康的投資，即使投資回報期較長，也能讓眾人有誘因。長期健康投資面臨的主要挑戰是，傳統保險模式下缺乏對預防性措施和長期健康結果的誘因結構，台灣的全民健保制度覆蓋了幾乎所有人民的終身醫療需求，因此有動機投資於長期健康結果，然而目前的挑戰包括：

– 2017 年，全民健保支出僅佔台灣總醫療支出（1.127 兆新台幣）的 53%，表明台灣人仍然自掏腰包或透過私人健康保險支付大部分醫療費用
– 台灣的醫療支出水準較低，這對健康結果、新藥可及性和醫療機構運營產生負面影響

專家建議的解決方案包括：
– 提高全民健保保費和政府從一般稅收對全民健保的補貼
– 為精準醫療和癌症預防等關鍵領域創建由全民健保署以外的機構支持的獨立醫療預算
– 增加病人部分負擔，以鼓勵更有效地使用醫療服務
– 用額外的私人健康保險補充全民健保給付範圍

台灣可以參考國際標準增加醫療支出，將日本 11% 的 GDP 醫療支出作為長期目標，並逐步接近 OECD 8–9%的平均水準作為短期目標。

4. 公私部門協作模式（Public-Private Partnership models）：政府和民營單位共同投資開發和部署創新醫療 AI 和基因組學解決方案，2015 年至 2020 年對台灣八家公私協作醫院的研究發現，這些醫院在管理效率和盈利能力之間取得平衡，證實 PPP 模式在醫院管理中的可行性。台灣醫療發展的優勢源於政府、產業、學術界和研究機構之間持續的公私協作，以提高包括醫療發展在內的所有部門的產業競爭力，合作匯集了許多政府支持的數位化、工程專業知識和 ICT 供應鏈，促進了台灣的創新醫療發展。

2024 年 7 月，財政部舉辦了「2024 台灣 PPP 投資大會」，發布了 76 個全國公共基礎設施民間參與推廣項目，投資金額超過 1300 億新台幣；這些項目是「希望國家計劃」的一部分，重點關注擴大醫療投資、綠色增長和 2050 年淨零轉型。在長期照護方面，台灣已經開始實施公私協作模式，2021 年中，聯合金融情報公司（UFI）參與台北智慧城市計劃，與台北市政府、台北市立聯合醫院中興院區、台北市立聯合醫院長期照護規劃發展中心和台北市銀髮產業發展協會（擁有 100 多家長期照護機構會員）啟動了公私協作長期照護試點合作。2025 年 3月，台灣舉辦了以「公私協作促進整體健康」為主題的健康老齡論壇，匯集了政府、產業和醫療領域的領導者，衛生福利部副部長呂仁德博士強調了政府、產業和學術界之間跨部門合作對推動可持續醫療進步的重要性。台灣還投資於醫療技術，2024 年分配了超過 2 億美元用於增強數位基礎設施，並探索人工智能在預測性健康分析和緊急響應系統中的潛力，為公私協作開發和部署創新醫療 AI 和基因組學解決方案提供了良好基礎。

台灣生物醫學產業的未來發展方向

基於當前趨勢和 Cheatham 的見解，台灣生物醫學產業的未來發展可能朝以下方向發展：

1. 整合 AI 和生物技術（integrating AI and biotechnology）：將 AI 技術應用於藥物發現、診斷和個人化醫療等領域，創造獨特的競爭優勢，人工智慧與生物技術的融合正在全球重塑生命科學領域，而台灣在這方面具有優勢，可以將在 AI、半導體和生物醫學方面的能力結合起來，創造差異化的競爭優勢，台灣擁有超過 450 家生物技術公司，其中許多已經開始探索 AI 應用，台灣大學、清華大學和中央研究院等機構在機器學習和生物資訊學領域有傑出的研究團隊，台灣的科學園區如南港生技園區和新竹科學園區提供了產學研合作的良好環境；可能的具體發展方向：

. AI-Driven 的 Drug Discovery
 — 台灣可以發展專注於小分子藥物設計的 AI 平台，利用深度學習加速候選藥物篩選
 — 根據台灣生物技術產業發展協會的數據，AI 可以將藥物發現時間從傳統的 5–6 年縮短至 1–2 年，並將成本降低 30–50%
 — 台灣已有新創公司如台灣人工智能實驗室（Taiwan AI Labs）在這一領域取得進展，開發了用於 COVID-19 藥物篩選的 AI 系統

. 精準診斷系統
 — 結合影像分析 AI 與生物標記物檢測，開發更準確的診斷工具
 — 台灣的醫學影像公司如晉弘科技（JelloX Biotech）已開始將 AI 應用於病理切片分析
 — 台灣醫療影像數據庫可以成為訓練專門針對亞洲人群的 AI 診斷系統的資源

. 個人化醫療平台
 — 開發整合基因組數據和臨床數據的 AI 系統，為民眾提供客製化治療方案
 — 台灣的全民健保數據庫結合基因組數據，可以訓練更精準的預測模型
 — 根據工研院的研究，個人化醫療市場在台灣每年增長 15–20%，到 2025 年可能達到 100 億美元規模

. 計算生物學研究
 — 加強對蛋白質折疊、分子動力學和系統生物學的計算研究
 — 台灣可以建立高性能計算中心，專門用於生物醫學模擬和分析
 — 這些研究可以為新藥開發和疾病機制理解提供關鍵見解

2. 聚焦於亞洲特有疾病和人群（focusing on Asia-specific diseases and populations）：開發針對亞洲人群基因特性和疾病模式的解決方案，填補全球市場的空白；亞洲人群在基因特性、疾病流行病學和藥物反應方面與西方人存在顯著差異，我們台灣可以利用地理位置、人口特點和醫療系統優勢，成為亞洲特有疾病研究和治療的領導者；台灣人體生物資料庫已收集超過 10 萬名台灣人的生物樣本和健康資訊外，癌症登記系統和罕見疾病登記系統提供了高品質的流行病學數據，與其他亞洲國家也有良好的學術和產業合作關係；具體發展方向：

. 亞洲特有癌症研究
 — 肝癌和鼻咽癌在亞洲人群中發病率較高，台灣可以領導這些癌症的基因組學和治療研究
 — 根據台灣癌症登記資料庫，肝癌是台灣男性最常見的癌症之一，與 B 型肝炎病毒感染密切相關
 — 台灣可以開發針對這些癌症的早期診斷工具和標靶藥物

. 亞洲特有代謝疾病研究
 — 亞洲人在糖尿病發病機制和表現形式上與西方人不同，通常 BMI 較低但胰島素抵抗較高
 — 台灣可以開發更適合亞洲人的糖尿病風險預測模型和治療方案
 — 根據台灣糖尿病學會的數據，台灣糖尿病病人已超過 200 萬人，是重要的公衛問題

. 藥物基因組學研究
 — 研究亞洲人群對不同藥物的反應差異，如抗凝血劑 Warfarin 劑量需求和特定抗癌藥物的毒性
 — 台灣可以建立亞洲人群藥物基因組學數據庫，指引臨床用藥
 — 這些研究可以幫助減少不良反應，提高治療效果，降低醫療成本

. 傳染病研究與防控
 — 亞洲地區面臨獨特的傳染病，如登革熱和日本腦炎
 — 台灣在 SARS 和 COVID-19 疫情中展現的公共衛生應對能力可以進一步發展為區域性傳染病防控中心
 — 台灣可以開發針對這些疾病的疫苗、診斷工具和治療方法

3. 硬體與軟體結合的醫療器材（hardware-software integrated medical devices）：利用台灣在電子製造和半導體方面的優勢，開發智能醫療器材和可穿戴式設備。；結合硬體製造能力與軟體創新，台灣可以開發下一代醫療設備，我們擁有台積電（TSMC）等世界級企業，電子製造服務（EMS）產業成熟，具有高品質、高效率的生產能力，醫材產業已有相當規模，2021 年出口額達到 37 億美元，具體發展方向：

. 智能穿戴式醫療設備
 — 開發具有生理監測和健康管理功能的穿戴式設備，如連續血糖監測儀、心電圖監測手錶等
 — 台灣的電子製造商如廣達和仁寶電腦已開始進入醫療穿戴式設備市場
 — 根據工研院產業科技國際策略發展所的預測，全球醫療穿戴式設備市場到 2025 年將達到 850 億美元，年複合增長率約 20%

. AI 輔助診斷設備
 — 將 AI 演算法嵌入醫療成像設備，如 AI 輔助超音波、AI 輔助 X 光機等
 — 台灣的醫療影像設備製造商如鈺創科技和明基材料已開始探索這一方向
 — 這些設備可以在資源有限的地區提供高品質診斷服務，特別適合亞洲新興市場

. 微型化醫療設備
 — 利用台灣在微電子機械系統（MEMS）和微流控技術方面的優勢，開發微型化醫療設備
 — 例如，微型化的藥物輸送系統、植入式生理監測器和微型化實驗室（Lab-on-a-chip）
 — 這些技術可以實現更精準的藥物輸送和更便捷的疾病監測

. 遠距醫療系統
 — 開發整合硬體和軟體的遠距醫療解決方案，包括遠距監測設備、遠距會診平台等
 — 台灣的資通訊技術（ICT）產業可以為這些系統提供強大支持
 — 根據台灣數位健康產業協會的數據，COVID-19 疫情後，台灣遠距醫療市場每年增長超過 30%

4. 區域性醫療樞紐地位（regional healthcare hub）：將台灣定位為亞太地區的醫療創新和臨床試驗中心，吸引國際投資和人才，促進區域醫療合作，因我們擁有世界級的醫療體系，醫療品質高，成本相對較低，且醫學教育和研究水準在亞洲處於領先地位，是亞洲重要的醫療旅遊目的地，每年吸引大量國際病人；具體發展方向：

. 國際臨床試驗中心
 — 發展台灣成為亞太地區臨床試驗的首選地點，特別是針對亞洲人群的藥物和醫療器材試驗
 — 台灣的臨床試驗環境已相當成熟，擁有高品質的醫療機構和經驗豐富的研究人員
 — 根據台灣衛生福利部食品藥物管理署的數據，台灣每年約有 300–400 項新的臨床試驗獲批，但仍有巨大增長空間

. 醫療創新孵化器
 — 建立專注於醫療科技的創新孵化器和加速器，吸引國際創業者和投資
 — 台灣已有如台北生技園區等創新中心，但可以進一步擴大規模和國際影響力
 — 這些孵化器可以提供資金、指導、法規諮詢和市場准入支持，幫助醫療創新項目快速成長

. 國際醫療教育中心
 — 發展台灣成為亞太地區醫學教育和培訓中心，提供高品質的醫學教育和繼續教育項目
 — 台灣的醫學院和教學醫院可以與國際頂尖機構合作，開發聯合教育項目
 — 這不僅可以培養高素質醫療人才，還可以建立國際醫療網絡，促進知識交流和合作

. 醫療旅遊與健康管理
 — 進一步發展台灣的醫療旅遊產業，提供高品質、個人化的醫療和健康管理服務
 — 結合台灣的醫療專業和旅遊資源，開發特色醫療旅遊產品
 — 根據台灣國際醫療聯盟的數據，台灣醫療旅遊市場每年增長約 15%，主要來源地包括中國、東南亞和北美

5. 建立醫療數據生態系統（healthcare data ecosystem）：創建安全、合規的醫療數據共享和利用框架，促進 AI 和精準醫學研究，台灣已建立多個專科疾病登記系統，如癌症登記系統、糖尿病共同照護網等，也有較完善的個人數據保護法規，如個人資料保護法；具體發展方向：

. 國家級健康數據平台
 — 建立整合全民健保數據、電子健康記錄、基因組數據和生活方式數據的國家級健康數據平台
 — 這個平台需要解決數據標準化、互操作性和隱私保護等挑戰
 — 根據台灣數位部的規劃，台灣已開始建設「健康數據資料庫」，但需要進一步擴展功能和範圍

. 醫療數據交換機制
 — 開發安全、高效的醫療數據交換機制，允許不同醫療機構、研究機構和企業在合規的前提下共享和利用數據
 — 這可以採用區塊鏈、聯邦學習等技術，確保數據安全和隱私保護
 — 台灣已有一些醫療數據交換平台，如健康資料交換中心（Health Information Exchange, HIE），但需要進一步擴大規模和功能

. 個人健康數據管理
 — 開發個人健康數據管理工具，讓個人能夠控制自己的健康數據，決定如何共享和使用
 — 這些工具可以幫助個人整合來自不同來源的健康數據，包括醫療記錄、穿戴設備數據和基因檢測結果
 — 根據台灣數位健康產業協會的調查，超過 60% 的台灣民眾願意在適當保護和回報的前提下共享個人健康數據

. 醫療數據分析平台
 — 開發專門用於醫療數據分析的平台，提供數據清洗、標準化、分析和可視化工具
 — 這些平台可以支持醫學研究、公共衛生決策和醫療品質改進
 — 台灣已有一些醫療數據分析公司，如智醫科技（iMedtac）和醫點通（Medtag），但市場仍有巨大發展空間

結論：跨領域創新的未來

Morgan Cheatham 的故事和見解提供我們一個獨特視角，展示了跨領域學習和創新如何推動醫療保健的未來，他的背景橫跨計算決策科學、醫學和創投，展現了跨學科思維對解決複雜醫療問題的價值。Cheatham 強調了幾個關鍵點：首先，AI 在醫療中的應用正在從輔助文書工作擴展到診斷、治療決策和精準醫學；其次，基因組學和多組學正在從診斷工具轉變為驅動介入的平台；第三，真正的障礙不是技術創新，而是商業模式和給付系統的限制。

對於台灣來說，這些洞見提供了寶貴的指導，我們擁有堅實的技術基礎，全面的健保系統和政府對生物醫學發展的支持，有潛力成為醫療 AI 和精準醫學的領導者；透過整合 AI 和多組學方法，關注亞洲特有的醫療需求，以及創新商業和支付模式，台灣可以打造獨特的生物醫學生態系統。

正如 Cheatham 所說：「我是大訊息理論控，我認為在這個框架中丟失的一件事是醫師作為資訊收集者的現實角色，作為在基層醫療體系中七分鐘內被迫與病人建立信任關係並以有效、富有同理心和和藹可親的方式來提問的角色，他們將最大化這種互動的量能」（”I’m a big information theory buff, and I think one thing that’s lost in this framework is the reality of the physician as an information gatherer, as someone who is forced to build trust with someone in seven minutes in a primary care setting and ask questions in an effective, empathetic, and approachable way that will maximize the channel capacity of that interaction.”）。這提醒我們，無論技術如何先進，醫療的核心仍然是人與人之間的互動和信任關係。

台灣的優勢在於結合高科技創新與以人為本的醫療傳統，這使我們有機會開發出真正能改變病人生活的解決方案，同時創造經濟價值和全球競爭力。透過學習 Cheatham 和其他跨領域創新者的經驗，台灣可以加速其生物醫學產業的發展，為全球 Heathcare 的未來發揮影響力！

— –

📒 Compiled by — 台中慈濟醫院復健科 R3 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.