「血液病理診斷」導入 AI 應用，輔助醫師快速精準判讀、減輕負荷量

本文由 台灣諾華 協助刊登。

• 作者／許君咏

生物相似藥以較低的價格，提供與原廠生物製劑相仿的治療能力。像癌症需要長期使用生物製劑，來治療或控制病情的慢性病，如果使用生物相似藥的話，不僅能減輕病患的負擔，健保也才能走得長久。

「可是，生物相似藥不是原廠生產的。」這是許多人最後不選擇生物相似藥的原因，認為原廠生物製劑，一定比生物相似藥來得好，但事實真是如此嗎？

針對這個問題，長庚醫院血液科主任張鴻醫師說：「難道原廠的，就一定比副廠好嗎？」他表示修車時，如果師傅問你要換「原廠」還是「副廠」零件，你會怎麼回答？相信價格與性能交織的 CP 值，會是你很在意的點。

究竟，非原廠出產的生物相似藥，真的比原廠的生物製劑來得差嗎？還是說這其實是「原廠迷思」呢？在回答這個問題前，我們必須先了解怎麼會有「非原廠藥」出現？

在藥品專利過期之後？原廠藥與學名藥、生物製劑與生物相似藥

藥物的研發歷程很長，需要經過漫長研發以及臨床試驗，從實驗室到動物實驗、人體實驗等，才能和各國家主管機構申請藥證，這樣擁有專利的「原廠藥」，在其專利有效的期間，其他廠商不得生產、仿製。而非原廠藥、或是我們有時會聽到的「學名藥」，是指在原廠藥專利到期後，其他有能力製造的廠商便可以生產，到醫療市場銷售以及提供醫師作為處方。

張醫師舉例，在一百多年前便已存在的阿斯匹靈，過去是由德國的拜耳藥廠生產，但時間拉到現在，到處都可以看到阿斯匹靈，不會有人在意它是不是原廠藥，因為成分、內容都是一樣的。事實上，許多藥在專利到期後，便會有其他藥廠製造。

在解釋完原廠藥與學名藥後，張醫師也特別說明「原廠藥」並非是指「來自原廠的藥物」。在藥品分類中，「原廠藥」特指「在專利內，可經由化學方法合成的藥品」，例如阿斯匹靈的成份為乙醯柳酸，是能透過化學方法合成的化合物。而這些「原廠藥」在專利到期後，就會成為「學名藥」，開放給其他藥廠製造。

不過，並不是所有藥品都能透過化學方法合成出來。某些疾病是由特定的「發炎因子」所導致，要阻止發炎因子作祟，必須透過生物科技研發出的抗體來中和發炎因子，這種藥品則稱為「生物製劑」，必須透過相對複雜的生物技術才能製造。

舉例來說，我們近期常聽到的「標靶治療」，顧名思義便是找到標的進行治療，例如Ｂ細胞淋巴瘤，Ｂ細胞會表現一個叫「CD20」的抗原，因此研發對抗 CD20 的抗體，便是一種標靶治療，而抗體是一種蛋白質，因此我們便可以利用生物製劑進行治療。張醫師說明：「許多癌症都有特定抗原或是蛋白表現，而我們針對此種表現研發生物製劑與其對抗，當此種生物製劑專利到期後，其他藥廠所製造的產品便稱為標靶治療的『生物相似藥』。」

另一方面，生物製劑也常被用來治療「免疫性疾病」，因這類型的疾病經常引起發炎反應，會表現出細胞酵素，且經常為一個反應觸發另一個反應，使發炎反應越來越嚴重，因此我們可以利用生物製劑之中的蛋白質阻斷細胞酵素，在其中一個訊號端阻絕一連串的反應。

因此，生物製劑及生物相似藥大多用於「癌症治療」以及「免疫性疾病」，以及一部分「癌症輔助治療」與蛋白質有關的治療等。

為何要選擇「生物相似藥」？它可靠嗎？

無論藥品是否來自原廠，大家最重視的不外乎是安全性與治療效果。原廠藥與生物製劑是經過嚴格的臨床試驗才取得專利與使用許可，那生物相似藥在上市之前有經過臨床試驗嗎？到底要多相似才能稱為「生物相似藥」呢？

在上市之前，生物相似藥與生物製劑審核方式不同的地方在於，生物製劑已經在市場上有二十年之久，因此生物相似藥的審核著重在結構與原本生物製劑的相似度，以及對同一症狀的療效如何。

首先，必須比對生物相似藥的蛋白質序列及結構，必須和原本的生物製劑完全一樣。此外，蛋白質有不同層級的結構，例如次級結構的折疊方式也要完全相同，以及附著在蛋白質上的醣基會影響功能，也必須在不同層級的結構上達到一定程度相似，才能被稱為「生物相似藥」。

張醫師說：「生物相似藥研發時，有極大的成本是投資在實驗室端的合成分析，因為必須確認成品一級結構、二級結構、三級結構等，和參考品的相似程度達到標準。」此外，生物相似藥仍須經過短期的臨床試驗，確認安全性以及療效，才能夠核准上市。

張醫師解釋，目前生物相似藥在臺灣只是一個開端，它的發展其實並不久遠，以「Ｂ細胞淋巴瘤」為例，它的生物製劑研發大約是二十多年前，待第一波的蛋白質生物製劑專利到期，才會有所謂的「生物相似藥」出現。

而近幾年許多第一波生物製劑的專利才漸漸到期，目前臺灣核可表列的生物相似藥，雖然看似不多，「但是我們可以預期，在未來三到五年內，會有越來越多生物相似藥出現。因為原本的生物製劑已經在專利期間獨霸二十年了，證明它是有需求的，目前大小藥廠皆有在生產生物相似藥，因此生物相似藥的興起是指日可待的。」張醫師說明。

歐洲目前至少有一半的市場是生物相似藥所佔據，這幾年也越來越多人在討論藥物價格太高，然而價格高最主要的成本都是來自新藥。

張醫師說：「因此如果沒有生物相似藥，未來的藥價只會越來越高，所以在歐美國家是非常鼓勵生物相似藥的。」

世界衛生組織也曾提出「任何治療，必須要讓病人負擔得起。」生物相似藥的問世，若能夠在與原廠藥相同療效的前提下，同時減輕病患與其家屬的負擔，對於醫療平等來說會是一大進步。

但「生物相似藥」的推廣在醫療現場也常遇到難關。

張醫師坦言，最大的障礙其實是民眾的信任度，即使是在結構、成份一樣的學名藥及原廠藥之間選擇時，大多數民眾還是會選擇原廠藥，一部分原因和健保給付有關，民眾不論選擇何者，自費負擔是差不多的。但是有些疾病療程健保並非全部給付，如同前面提到的「B 細胞淋巴瘤」，在一個療程中，使用原廠藥大約需自費五至六萬元，使用生物相似藥則只需三萬五千元，幾個療程加總之下，原廠藥與生物相似藥的總花費差異可以大至十幾萬元左右。

醫病溝通——與病人共同做決定

在醫師與民眾知識的資訊不對等之下，醫師該如何和病患進行溝通呢？

張醫師強調，現在醫療重視的事情是「與病患共同做決定」，因此醫生的責任也包含讓病人知道有哪些選擇，重要的是「公正」與「溝通」，應該客觀地和病人說明，再與他共同做決定。醫生根據學術論文、主關機關的資料等科學根據，將治療與藥物的療效提供給患者與家屬參考。

張醫師說：「醫療訴諸於人性，溝通的重點是站在對方的立場看事情。很多時候病人無法在當下接受如此大量的資訊，因此我會給病人一些時間做決定，讓病患有空間來了解疾病、了解他的選擇，也能夠提高病人對治療的信任感。」

在執業多年後，張醫師表示，他年輕時總會意氣風發地想成為「英雄」，想給病人最好的治療，然而什麼是「最好的治療」呢？現在的他，最珍視的是如何「幫助」病人，設身處地的思考病人的需求，讓病人尋求醫療資源治療疾病的同時，能夠沒有後顧之憂，因此提供更多安心的治療選擇，才能真正「與病人共同做決定」。

在幫助病人的過程中，生物相似藥便成為其中重要的角色。

Sandoz 自 2006 年起，陸續取得歐盟 EMA、美國 FDA、臺灣 TFDA 的第一個生物相似性藥品核准， 十五年來持續深耕臨床，作為生物相似性藥品的領導品牌，期盼未來能幫助更多的患者。

更多生物相似藥的精采內容，請聽：藥品大補帖來啦！一次解析生物相似藥品！ft. 長庚醫院血液科主任張鴻【科科聊聊EP51】

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

• 本文轉載自《科技大觀園》，原文連結
• 何楷平｜科技大觀園特約記者

過去，養雞農得在半夜走進雞舍，靠耳朵分辨雞隻有沒有出現「囉音」（呼吸道疾病的特有聲音）；但農民時間有限，一天頂多進雞舍巡三次，而打噴嚏、咳嗽這類異常聲音，又常和背景噪音太相似、不夠明顯，「漏聽」幾乎在所難免。

如果有一套系統能全天候守在雞舍，不僅聽見異常聲音，還能透過影像觀察雞隻狀態、同步記錄體重，情況會不會有所不同？這正是「智慧監測走進畜牧業」的真實場景。

透過感測、影像辨識、聲音分析與 AI，畜牧養殖管理，已經逐步從仰賴人力巡視、憑經驗判斷，轉向以數據支撐的決策；智慧畜牧不只能提高生產效率，也能改善動物福利與整座牧場的生物安全。

本文從家禽到豬隻，採訪兩位長期投入智慧畜牧管理的研究者：國立中興大學生物產業機電工程學系蔡燿全副教授以及國立臺灣大學生物機電工程學系郭彥甫教授，探討科技如何成為畜牧業的最佳助手。

科技接手觀察，補上人力巡視極限

「如何客觀量化健康指標，其實相當困難。」蔡燿全副教授指出，人工巡視的限制，在於「人不可能一直在現場」。以雞舍為例，雞隻體重反映健康狀況，但用「肉眼估算」並不精準，原因出在羽毛會隨當下溫濕度蓬鬆變化；至於雞隻的消化道疾病，則要看肛門與糞便，但「異常聲音」要在夜深人靜的半夜靠「人耳」去分辨，這些都是雞農單靠人力會存在的侷限。

養豬也是。郭彥甫教授指出，過去豬農評估一欄豬的健康狀態，多半是走進去、用肉眼看一下，母豬花多少時間吃料、站立、有沒有在哺乳，無法精確量化判讀。

靠肉眼、人耳判讀，既消耗人力、又不夠精準，因此，智慧畜牧把這些工作交給機器，透過感測器接手觀察，目標在於「及早發現」。

以雞舍為例，機器讀的是「身體徵象」。

蔡燿全副教授指出，透過「家禽監測系統」，在雞舍裝設麥克風、攝影機與秤重平臺，把叫聲、雞冠與雞眼的顏色、體重，連同溫濕度、風速、氣體等環境資料，一併轉成可判讀的數據。

以體重為例，當雞隻走上秤重平臺，秤出幾隻的總體體重後，平台上方的攝影機，再以AI影像辨識方式，辨識出秤重平台上的雞隻數量，進而換算出雞隻的平均體重，更進一步的做法是，只要在雞舍中央架一臺主機，建立「影像輪廓對應實際重量」的關係，雞舍的其餘角落，只需由上往下拍的攝影機（不必裝設秤重平臺），單靠影像就能推算體重。這也同步解決了動物福利的問題：不必再人工抓雞懸掛量重，對雞隻的干擾降到最低。

在豬舍方面，機器讀的則是「行為與姿態」的動態變化。

郭彥甫教授指出，只要在母豬分娩欄後方架設攝影機，以機器視覺與深度學習，辨識母豬的姿態，量化牠花多少時間進食、站立與哺乳，同時逐隻追蹤欄內仔豬的移動，把狀態分成哺乳、休息與活動三類。當母豬把乳頭壓住、遲遲不讓仔豬吸奶，又不太進食，系統就能標記出這頭母豬已接近生病，整欄仔豬可能跟著吃不到奶、活動力下降。這些畫面，都讓長期被關在窄欄、行動受限的母豬處境，能夠直接被機器紀錄、透過數據化被豬農看見。

專家教會 AI 讀懂異常，監測從記錄升級為預警

但機器「看得到」只是第一步，「讀得懂」則要靠人與 AI 協作。

以豬舍的應用場景為例，郭彥甫教授指出，AI的機器學習過程，得先由「人」在影像裡，把豬一隻一隻單獨標註起來，累積上千張影像之後，提供給AI學習、訓練，確保AI能夠「讀懂」之後，之後就由機器接手，自動辨識每一隻豬；例如有些小豬在吃飼料、有些在喝水、有些在打架、互咬；郭彥甫教授指出，這套AI 辨識仔豬「日常行為」的準確率已達到91.36％，等於在100隻仔豬中，AI就能精準判讀出91.36隻的行為模式。

雞舍的場景也是同樣邏輯。蔡燿全副教授解釋，透過預先架設機器在雞舍，進行現場錄音，接著以濾波去掉雜訊、把聲音切成小段，再請專家逐段標註，哪些是正常叫聲、哪些是異常囉音，取出聲紋特徵之後，再餵給AI機器學習，訓練出辨識模型。

當機器學會判讀後，監測的價值就能直接從「記錄」，升級為「預警」。

舉例來說，雞舍的聲紋辨識系統，由於是24小時錄音，在農民尚未察覺、還沒記錄到異狀之前，系統就先發出「偵測到異音」的預警，不會等到農民到現場查看才發現。此外，影像辨識系統則可以預先偵測到人眼較難察覺的雞眼異常（雞眼異常後2至3天會出現較高死亡率），等於替農民爭取到提早3天處置的黃金時間。

預警換來實際效益。蔡燿全副教授表示，根據合作雞農的回饋，導入這項系統之後，育成率可提升約3％，因為透過系統24小時不間斷監控，農民更能做到「及早發現、及草治療」，提高雞隻「從飼養到出貨」生命週期的完整性。此外…….傳播途徑。蔡耀全副教授補充，傳統雞隻育成率大約落在80％，導入系統這幾年來，育成率持續提升，近年來已經逐步成長至85％至87％。此外，因為農民不再需要頻繁進出雞舍，也切斷了病原透過人腳、野鳥糞便帶入的傳播途徑。蔡耀全副教授補充，傳統雞隻育成率大約落在80％，導入系統這幾年來，育成率持續提升，近年來已經逐步成長至85％至87％。

豬舍也是。郭彥甫教授指出，量化母豬的姿態與哺乳行為，能夠提早判斷牠是否接近生病，另一方面，系統對仔豬群體活動力的追蹤，則讓農民能夠更早察覺「一頭母豬不好、整欄仔豬跟著受影響」的連鎖效應，進而提早做出相對應的準備措施。 科技帶來的好處，除了提前預警，減少人為疏漏，當農民的巡視工時下降、勞動強度減輕，也能間接讓更多青年農民，願意回鄉接手畜牧場。

技術到位、市場未到，智慧畜牧的應用挑戰

然而，儘管智慧畜牧的技術持續進步，但要真正落地應用並普及化，目前仍有待跨越的門檻。

「因為農民沒有 IT 部門。」蔡燿全副教授點出了智慧畜牧最大的門檻：推廣難度高。

他解釋，老一輩農民對科技熟悉程度較低，一旦網路不穩、甚至插頭沒插上的小狀況，原廠可能就得親自跑一趟畜牧場，服務成本相當高，再加上臺灣市場規模有限，負責落地推廣、技術轉移的農業科技公司，意願自然不高。

此外，「農民投入意願」也是一大門檻。「如果這個科技一定可以幫他賺到錢，他就會樂意接受。」郭彥甫教授觀察，豬農評估導入系統的關鍵，在於能不能幫他「賺到更多錢」，而非只是「節省時間和勞力」，「如果只是省下勞力，農民多半會傾向自己來、或是另外聘請人力。」臺灣雖然在2020年就從口蹄疫除名，但近年來面對周邊國家持續存在的非洲豬瘟等疫情風險，豬農對外部人員（智慧農業團隊、農業科技廠商等）進出格外謹慎，都讓智慧畜牧的應用落地，還需要更多溝通與推廣。

最後一道判斷留給人，「資料治理」智慧畜牧下一步

換句話說，智慧畜牧的技術本身，其實已經備妥，唯獨產業與市場的節奏，還需要時間跟上。

從雞舍到豬場，感測與 AI 接手了「看」這件過去只能靠人力與經驗撐著的工作，效率、動物福利與疫病防線，也因此被重新畫過一遍。

值得一提的是，兩位研究者不約而同都將「最後一道判斷」留給了人：雞隻該不該投藥、母豬難產怎麼處置，這類牽涉責任的決定，仍由農民與獸醫拍板，AI 負責的是更精準的監測、讓異常更及早被發現。

隨著愈來愈多養殖現場，開始累積這些數據，郭彥甫教授預測，「資料治理」將是畜牧業下一步的趨勢。他解釋，當養殖場規模擴大、不常親臨現場的經理人將更依賴簡單直觀的報表，掌握場內狀況；而這些累積下來的數據，還能推估產量、預估禽隻出場時機，同時對接市場價格，做出更合適的決策。

資料來源

1. 中興大學生物產業機電工程學系蔡燿全副教授
2. 臺灣大學生物機電工程學系郭彥甫教授

原文連結：https://pse.is/9k7pkt