智慧醫療的算力需求與挑戰
隨著 AI 技術在醫療領域的快速普及，如何有效運用龐大的醫療數據，成為醫療機構數位轉型的核心挑戰。高雄醫學大學附設中和紀念醫院（高醫）長期在醫療創新上扮演先行者角色，積極導入 AI 技術，無論是在臨床決策、病人照護，或是公共健康推廣，都展現優異成果。然而，AI 模型需要龐大的運算支撐，算力資源如何被靈活分配與高效管理，成為高醫 AI 團隊推動轉型時必須克服的關鍵課題。
客戶背景與核心挑戰
高雄醫學大學及其附設醫療體系近年在智慧醫療領域屢獲肯定：
- HIMSS EMRAM 第七級認證：南台灣首家獲得此最高榮譽的醫療機構，展現數位轉型的領導地位。
- KMU Genie 智慧醫院平台：導入多項臨床 AI 模型，首創「AI型主治醫師制度」，強化臨床應用與人才培育。
- AI 智慧健康分身計畫：將 AI 應用推廣至基層慢性病照護，打造社區健康新典範。
然而，這些創新應用背後的挑戰，在於 如何同時支援多個 AI 專案運行，並兼顧數據安全與算力效能。隨著各項不同用途的 AI 模型相繼開發與落地，高醫急需一套解決方案，來解決 GPU 資源頻繁共用、資源調度效率不彰、以及 IT 管理負擔過重的痛點。
解決方案：數位無限 AI-Stack解決方案
為了回應高醫對 GPU 算力和 AI 基礎設施管理的需求，數位無限協助導入 AI-Stack，幫高醫實現以下目標：
- 集中式算力資源管理：統一平台整合所有 GPU 資源，簡化 IT 管理流程。
- 智慧化資源調度：根據不同專案需求彈性分配運算資源，避免資源衝突或閒置。
- 支援大規模 AI 訓練：可同時應對臨床 AI 模型、生成式 AI、病歷數據分析等多元任務。
- 提升營運效率：讓 AI 團隊專注於模型開發與臨床落地，而非分心於開發環境的建置與繁雜流程。
成效與影響
AI-Stack 的導入，讓高醫能在單一平台上靈活分配算力，不論是 急診 AI、病理 AI、護理 AI 智能助手，或是 跨院資料庫分析（糖尿病、腎臟病等），都能獲得即時且穩定的算力支援。此外，AI-Stack 的算力調度能力，讓高醫 AI 開發團隊的模型開發更有效率，而 AI-Stack 所提供的 MLOps 功能更是支援了高醫 AI 型主治醫師制度，讓具潛力的年輕醫師能專注在 AI 模型研發，並快速在高醫的 KMU Genie 平台上落地，提升智慧醫院的臨床韌性。
透過 AI-Stack 的高效基礎設施管理和MLOps解決方案，高醫在智慧醫療的推動上達到優異成效：
- 運算效率大幅提升：GPU 資源利用率最佳化，降低閒置。
- AI 模型快速落地：模型開發與部署週期縮短，能快速應對醫療需求。39 項 AI 模型已進入臨床應用，包括急診檢驗、藥物決策、重症照護、AI 輔助護理等。
- 臨床效能提升：檢驗時間縮短、治療決策更精準，醫療錯誤風險顯著降低。
- 社區照護延伸：AI 健康分身計畫成功導入基層場域，提升慢性病患者自我健康管理。
結論
高醫透過導入數位無限的 AI-Stack 解決方案，不僅實現了 GPU 資源的最佳化配置，更建立了從模型開發到臨床落地的完整生態系統。數位無限 AI-Stack，正是支撐高醫的智慧醫療轉型的關鍵推手。從 39 項 AI 模型的成功部署，到 AI 型主治醫師制度的創新實踐，再到社區健康照護的延伸應用，高醫的成功經驗證明了適當的基礎設施管理對於 AI 醫療應用的關鍵重要性。這項合作不僅提升了醫療服務品質與效率，更為台灣智慧醫療的發展樹立了標竿典範，展現當技術創新與臨床需求完美結合時，所能創造的深遠影響。
