計畫名稱
超越 Scaling 法則：一個以資料效率與可信賴為核心的模組化醫療視覺基礎模型架構
計畫目標
本計畫旨在建立台灣首個具備模組化、多任務與多模態支援能力的醫療影像基礎模型訓練框架，從根本上挑戰以資料與模型規模為主的 Scaling Law 技術路線，落實「以策略取代規模」。核心方法融合 MAE 與 DINO 之自監督學習表徵，結合多階段微調（MSFT）、中介任務監督微調（ISFT）與參數高效微調（PEFT），並以可解釋 Transformer 解碼器形成統一推論架構，同時支援偵測、分割、分類等任務。計畫將由眼底影像起步，並拓展至胃鏡與心臟超音波影像，並與長庚體系臨床團隊合作驗證，最終產出可重現之工具鏈與可部署模型，支援台灣醫療 AI 自主與落地需求。
計畫概述
醫療 AI 面臨兩大瓶頸：資料取得困難且標註昂貴、以及臨床專家人力吃緊，導致傳統「靠更多資料與更大模型」的 Scaling Law 路徑在醫療場域難以複製。本計畫提出 MMBS（Medical Model Beyond Scaling）架構，以「策略驅動」取代「規模堆疊」。方法上以 MAE 擅長的全域結構重建與 DINO 的局部語意對齊互補融合，形成可遷移的通用表徵；訓練上結合 MSFT/ISFT/PEFT，降低對大規模標註的依賴並提升跨資料集與跨院區的泛化；推論上以階層式 Transformer 解碼器建構模組化任務鏈，對齊臨床思維流程並同時支援偵測、分割、分類等任務。驗證策略由公開與院內眼底影像起步，逐步擴展至胃鏡與心臟超音波影像等高異質模態，並與長庚醫院眼科、腸胃科、心臟科等團隊共同設計評估與介面需求。最終成果將整合為跨領域醫療影像模型與工具，支援台灣醫療 AI 研究社群模型共享、技術轉譯與臨部署。
