利用人工智慧(AI)對醫療資料進行輔助判讀，讓醫護人員能更快針對病患的狀況進行處置，是未來醫療產業的發展趨勢之一。但對於應用在醫療現場的硬體設備而言，如何在兼顧種種醫療設備特有的規格需求前提下，將設備內建的運算能力拉高到可以執行複雜推論的水準，是相當大的技術挑戰。現場可編程閘陣列(FPGA)在這個快速成長的垂直市場上，找到切入的機會。

賽靈思(Xilinx)醫療與科學事業部主管Subh Bhattacharya表示，醫療設備是該公司已經耕耘了相當多年的應用市場之一，從非常高單價的大型醫療設備，如手術機器人、電腦斷層(CT)、核磁共振(MRI)與正子斷層造影(PET)，到中階的超音波、內視鏡，以及呼吸器、去顫器、病患監護儀等小型醫療設備，都會用到FPGA。

在AI技術的進步之下，許多醫療設備都希望藉由導入AI來加快醫療數據的判讀，或是對醫療數據進行更複雜的重構，讓資料用更符合人類感官的方式來呈現。例如在COVID-19疫情之下，有肺炎症狀的患者被送進醫院，醫護人員除了透過快篩來判斷病患到底是感染COVID-19，或只是一般肺炎感染，也可以靠病患的胸部X光影像來進行診斷。賽靈思近期就與Spline.AI、亞馬遜AWS合作，展示了一套利用賽靈思Zynq Ultrascale+ MPSoC作為邊緣裝置，可對肺部X光影像進行判讀的系統。

至於醫療數據的重構，比較常見的應用是超音波影像。早期的超音波影像是2D的，解析度也很低，沒有受過專業訓練的人員，基本上無法解讀超音波影像所代表的意義。但隨著機器學習技術的進步，利用演算法對超音波所產生的原始資料進行重新建構，已經可以將超音波影像轉換成3D影像，甚至是動態的4D影像，影像的解析度也比過去大幅躍升，讓醫護人員可以看到更多以往看不到的細節。

AI能為醫療設備創造新的附加價值，並為醫療產業帶來巨大變革，是無庸置疑的。但醫療與AI的結合，也會帶來新的問題。舉例來說，醫療設備聯網所造成的資安疑慮，以及基於大數據分析的AI，要如何確保患者的隱私不會被洩漏，都是大哉問。此外，雖然大多數的專業醫療設備都有穩定的電源供應，但如果要把功耗動輒上百瓦的CPU或GPU整合到設備中，還是會對硬體設計造成挑戰。

醫療設備漫長的生命週期，則讓上述問題變得更加難解。IT世界的變化極為快速，駭客攻擊手法無時無刻都在翻新，即便在設備出廠時，已配備了最新的安全防護機制，三年、五年過後，仍難保這些「過時」的防護技術不會被駭客找到破解的辦法。

此外，CPU、GPU等用來執行AI演算法的標準晶片(ASSP)，除了少數針對嵌入式應用設計的特殊型號外，產品生命週期通常只有兩到三年，但醫療現場所使用的設備，其生命週期往往數倍於此。若醫療設備開發商使用ASSP來實作產品，卻遇到元件斷貨，是十分麻煩的事情，因為醫療設備是受到高度監管的產品，如果產品設計出現重大變更，得重新取得主管機關的許可。

相較之下，FPGA基本上不會遇到這些問題。因為FPGA是可編程元件，即便應用產品已經部署到用戶端，還是能根據需求添加新的功能。此外，FPGA的產品生命週期跟大多數嵌入式應用產品相當，甚至還更長，因此客戶使用FPGA元件來實現應用，比較不會遇到元件停產的問題。

整體來說，FPGA跟醫療設備市場的需求，本來就有很高的契合度，因此對賽靈思而言，工業、科學與醫療(ISM)市場也一直是公司在通訊應用之外，主要的營收來源之一。而在賽靈思於2016年調整產品策略，將SoC與FPGA整合，推出Zynq SoC產品線後，因為產品更符合客戶需求，ISM市場的營收成長速度一舉拉高到14%左右，比2016年前的平均5%，增加約2.5倍。

展望未來，為了導入AI，醫療設備必然會對運算能力有更高的需求，但在此同時，設備開發商仍需要滿足醫療設備產業特有的種種規範跟要求，這會使得FPGA成為更具吸引力的選擇。