WHO世界卫生组织将「病菌抗药性」列为人类健康的十大威胁，并警告 2050 年时，病菌抗药性将成为全球最大死因，致死人数超过癌症。台湾的中国医药大学附设医院（中国附医）为此与微软合作，积极投入相关研究，在 Azure 平台上开发「AST.AI 智慧抗药菌预测系统」，藉由 AI 机器学习分析帮助，将原本须 2-5 天才能得知的「病菌抗药性」结果，成功缩短为 1 小时。此项成果已获国际医学期刊认可，并吸引国内外临床学研单位合作，未来将进一步透过 Azure 平台，将模型成果及分析数据与全球医疗机构分享，共同打造更完善的智慧抗药菌系统，以解决全球最大医疗挑战。

中国医药大学附设医院运用微软Azure AI平台打造抗药性的预测系统，缩短用药评估时间。

主导开发的中国附医智慧科技创新中心（简称创新中心）主任游家鑫博士指出，「AST.AI 智慧抗药菌预测系统」藉由质谱仪判读蛋白质量进行抗药性预测，并透过细菌与抗生素的分子嵌合增加模型生物意义，运用微软 Azure Machine Learning 平台与协作环境，在有限的人力物力之下，快速开发出机器学习演算法，并以大量临床数据训练模型的精准度。目前已与国内 4 家医院共享模型或数据，十分期待 AST.AI 未来进一步透过与微软的合作，与欧洲及全世界分享，??入各国数据进行验证，让抗药性预测更为精准且符合在地需求。

台湾微软首席技术与策略长暨微软技术中心总经理陈守正表示，「智慧医疗已是全球趋势，微软 Azure 平台提供充份整合、高度扩充弹性的各种服务、同时具备专业认证的全面资安保障，藉此协助医疗产业发展出各式各样的创新解决方案，待未来微软资料中心落地後，相信能帮助更多智慧医疗的发展，共同为提升人类健康福祉而努力。」

智慧抗药菌预测 大幅缩短用药评估时间

「AST.AI 智慧抗药菌预测系统」 的开发，主要基於医学界面临抗生素滥用的两大挑战，一是「病菌抗药性」造成致死率上升，二是抗生素的庞大支出已成为各国医学中心的沈重负担。因此，中国附医院长周德阳於 2021 年交付「找出解决方案来促进抗生素的合理使用」此重要任务给创新中心，着手开发机器学习模型，运用微软 Azure AI 平台的 Machine Learning 服务打造抗药性的预测系统。

游家鑫博士指出，以往病患出现感染，在抗生素投药之前，必须透过血液培养、抗药性比对等过程，至少耗费 48-60 小时才能得知检测结果，再将资讯提供给临床医师进行抗生素治疗评估；然而统计数据显示，每延迟 1 小时用药，病患死亡率就会上升 7.6%。中国附医创新中心团队透过 Azure 平台开发云端原生 AST.AI 系统，串接质谱仪讯号与机器学习演算法，将其运用於细菌的抗药机制预测，并与检测试验室的工作流程高度整合，在短短 1 小时之内即可得知抗药结果，辅助临床精准投药，不仅降低成本，也及时挽救病患健康。

导入Azure Machine Learning微型医疗创新团队展现成果

游家鑫博士曾於 2018 年透过科技部创新之星计画（LEAP），前往西雅图的微软研究院进行访问研究，深入了解微软学术图谱技术及 Azure 云端平台在智慧医疗上的无限可能。考量到在疫情冲击下，医疗机构系统开发必须先期投入大量资源，例如在地端建置运算能力强大的伺服器，造成额外的人力与财力负担，更不利创新方案的快速推动。同时，训练 AI 模型也需要大量运算资源，软硬体资源必须妥善管理，对於小编制新创单位无法聘请专责工程师，因此在中心成立之初，游家鑫博士便决定与微软深度合作。

擅长协助产业夥伴开发创新方案的台湾微软技术中心（Microsoft Technology Center）提出谘询建议，中国附医导入微软 Azure Machine Learning，不仅轻松地拥有云端自动化运算及管理维护能力，能够充份与医院其他部门有效协作，让有需要的各专科医生都能提升治疗及用药品质，同时因不需於地端投入过多资源，也因此达到成本最隹化。

Azure Machine Learning 机器学习营运化最隹平台 满足各阶段各种需求

台湾微软技术中心技术架构师黄耀逸指出，Azure Machine Learning 是协助产业夥伴走向机器学习「营运化」的最隹平台，不论在运算资源的弹性提供、模型训练与管理，都可省下大量时间与人力成本，让客户更专注本业。在 AST.AI 的案例中，虽然开发团队规模不大，但却具备自动化、上云、跨部门协作等需求，因此 Azure Machine Learning 的两大优势恰可充份满足：

一、高度整合：Azure Machine Learning 与 Azure DevOps 高度整合，在 Machine Learning 的 CI/CD 应用上可无缝接轨，减少模型布署上线的时间。

二、进阶功能完善：Azure Machine Learning 符合微软所提出 Responsible AI 的原则与愿景，提供模型的可解释性，未来可满足审查（Audit）等进一步需求，此外更具备与微软其他原生服务整合的便利性。

医疗产业上云 微软Azure完整资安保障

中国附医创新中心指出，医院评估微软 Azure 相对於其他云端平台，有两大更符合医疗产业需求的特色。首先是资安考量，医疗产业对资料保护等级要求极高，不亚於金融业，而 Azure 是通过医疗资安认证的云端平台；再者是扩充便利，前期建置不需投入大量资源即可快速上线，中後期更有高度弹性，可透过云端将智慧医疗服务推广至其他医院。以 AST.AI 导入外部四间医院的验证数据为例，只花了短短一个月，足足较传统作法减少了三分之一的时间。

持续扩充AST.AI数据成果

AST.AI 的论文成果已获美国微生物学会 Microbiology Spectrum 期刊於今年三月发表；今年五月美国相关专利也已获得核准。目前 AST.AI 已累积国内数十万笔的真实世界数据，除了中国附医，还包括卫福部丰原医院、台大医院云林分院、卫福部双和医院、花莲慈济医院等夥伴医院的数据验证，另有三家医院洽谈合作中。

在国际上，AST.AI 也吸引瑞士巴塞尔大学医院的交流合作，拟导入 AST.AI 的模型可解释性技术及可视化工具，未来微软将持续与中国附医合作，透过 Azure 平台将 AST.AI 的模型与成果，分享到全球，汇集各国的资料来进行验证，让抗药性的预测更为精准并符合在地需求。

微软Azure及医疗产业云 解决疫後新挑战

AST.AI 的抗药性预测是临床分析预测领域成功运用云端技术的最新、最具潜力案例之一。除此之外，微软更进一步发展出功能强大的医疗产业云，结合 Microsoft Azure、Microsoft 365、Microsoft Dynamics 365 与 Microsoft Power Platform，串连各项医疗实作场景，以云端力量进行跨域整合，协助台湾及全球解决疫後医疗的种种全新挑战。