將醫療影像用於訓練 AI 是一個非常重要且嚴肅的議題，這涉及法律、倫理及技術等多個層面。
簡單來說，答案是可以的，但必須嚴格遵守一系列的規範與限制。
一、關鍵考量因素
以下是幾個關鍵的考量因素：
（一）隱私保護與去識別化 (De-identification)
這是最核心的要求。在將醫療影像用於 AI 訓練之前，必須移除所有能識別病患身份的資訊（例如：姓名、身分證字號、生日、具體的住院日期，甚至是影像中可能出現的紋身或特殊首飾）。
- DICOM 標籤清理： 醫療影像格式 (DICOM) 的後設資料 (Metadata) 必須經過清理。
- 臉部遮蔽： 如果影像包含病患面部（如頭部 MRI/CT），通常需要進行去面部處理。
（二）知情同意 (Informed Consent)
根據不同國家的法規（如台灣的《個人資料保護法》、《人體研究法》，或歐盟的 GDPR），醫療機構通常需要事先徵得病患的同意，說明其影像可能會被用於醫學研究或軟體開發。
- 如果是過去收集的「去識別化」回溯性資料，在某些情況下經由「倫理審查委員會」(IRB) 核准後可豁免再次取得同意，但規範非常嚴格。
（三）IRB 倫理審查
任何涉及醫療資料的研究或開發計畫，通常都必須通過醫療機構內的 倫理審查委員會 (IRB) 審核。委員會會評估研究的必要性、對病患風險的控管，以及資料保護措施是否完善。
（四）法律與資料治理
- 資料不出院： 許多醫院為了安全，會要求 AI 開發者在醫院內部的伺服器進行訓練（即「聯邦式學習」或「在地訓練」），避免原始影像外流。
- 特定用途限制： 醫療影像通常只能用於申請時核准的特定研究目的，不能隨意轉售或用於非醫療相關的 AI 訓練。
（五）資料品質與標記
醫療 AI 的準確性高度依賴於「標記」(Labeling)。這需要放射科醫師或其他專家對影像中的病灶進行標註。若標記過程涉及外包，同樣需要確保資料傳輸的安全性。
合法合規的流程通常是：取得 IRB 核准，徹底去識別化，在受控環境下進行訓練，確保資料不被濫用。
二、醫院如何進行醫療影像的訓練？
目前台灣各大醫院（如台大、榮總、長庚、中醫大等）與政府單位主要透過以下幾種模式來進行：
（一）醫院內部的「AI 研發中心」
大型醫學中心通常設有專門的 AI 中心。
- 做法： 醫師與工程師合作，從院內影像系統 (PACS) 提取去識別化資料，在醫院內部的機房進行模型訓練。
- 優點： 資料不出院，資安風險最低。
- 實例： 台北榮總與台大醫院皆有利用 AI 輔助判讀肺部結節、腦中風影像，這些模型都是由院內資料訓練而成。
（二）健保署的「健保大數據開放」
台灣擁有全球罕見的健保資料庫。健保署近年與國發會合作，推動「健保影像 AI 應用計畫」。
- 做法： 健保署將去識別化的 CT、MRI 影像有條件地開放給產學界申請。
- 安全性： 研究人員必須進入健保署指定的「資料加值中心」，只能將訓練好的「模型參數」帶走，原始影像絕對帶不出去。
（三）「聯邦式學習」(Federated Learning) 模式
- 做法： 多家醫院協作訓練同一個 AI。「資料留在各自醫院，模型在雲端傳遞」。
- 實例： 台灣已有跨醫院聯盟利用此技術訓練新冠肺炎 (COVID-19) 的肺部 X 光自動判讀系統。
（四）法規面的管控
台灣醫院在處理這些影像時，必須遵守以下三道關卡：
- IRB (倫理委員會)： 確保研究對病患無害，且個資保護措施到位。
- 去識別化： 必須符合衛服部的規範，不僅要抹除姓名，連影像邊角的條碼、病床號都要遮蔽。
- 退出權：隨著「資料治理」政策深化，保障民眾的「退出權」。
三、外部公司如何啟動研究？
（一）醫院合作案（適合開發新演算法）
- 取得 IRB 許可： 去識別化。
- 專業標記： 由醫師在影像上標註。
- 封閉訓練： 在醫院機房或國網中心提供的安全環境（如 TWS 台灣 AI 雲）訓練模型。
（二）國家級大數據（適合大規模預測研究）
如果您需要數萬名病患的長期追蹤資料：
- 申請「衛生福利資料科學中心」資料： 這裡有全台灣病患的健保就醫紀錄、處方藥物及部分影像標籤。
- 進駐分析： 您必須前往全台指定的獨立作業區（不能上網、不能攜出原始資料）進行運算。