AI 醫療應用

本應用核心緣起，即在於改善這些「診間依賴、資料分散、缺乏標準」的問題。藉由推動 722 居家血壓標準（7 天、早晚各 2 次、連續 2 週），並串聯診所、社區血壓站與居家設備的數據，建立一個完整的血壓管理網絡。我們同時導入 AI 技術，協助進行異常數據偵測、長期趨勢分析與個人化衛教，讓醫師與病人都能透過系統即時掌握狀態。

美髮連鎖店為了提供更好的頭皮護理服務給予消費者，長期花費大量的金錢與人事成本培訓「頭皮管理師」，培訓時間最少6個月。加上，人員異動頻率高，使人才的養成以及投入成本的回收困難。每位消費者的狀況不同，如何讓美髮師有一個簡單的工具幫助消費者認識與理解自我頭皮的健康狀況，並且能夠將頭皮的問題給予標示清楚，將是頭皮管理致勝的關鍵。堅兵智能打造的第四代膚質檢驗系統，蒐集超過幾十萬張不同圖資，使用電腦視覺深度學習網路，來辨識分析阻塞，油脂，敏感等各種膚質/頭皮的狀況，進而推薦消費者適合他們頭皮狀況的理療項目及產品，取代過去用人眼辨識的做法，大幅提高顧客滿意度。

MAIA醫學影像深度學習軟體(沐恩肺部電腦斷層影像處理軟體)/MRI標註軟體/MAIA Tabular

醫療影像資料占醫學資訊量 80%，每張醫學影像相關標註，皆是重要的醫療診斷資訊，若可收集放射科醫師平日工作之醫療註解資訊，將可大幅提升人工智慧訓練成效，降低電腦偽陽性與偽陰性之判讀，進而提高AI輔助醫學影像判讀之可行性，提升放射科醫師工作效率。尤其目前醫院在影像醫學科醫師人力普遍不足，預防意識抬頭以至於醫學影像判讀需求遽增，此外先進儀器產生資料量快速增長，皆造成相關工作負荷過重。又特別在偏遠地區專業影像醫學科醫師短缺，若能應用AI輔助醫學影像判讀，提高辨識率外，在影像微小的病灶查找、病灶連續追蹤上，亦可為醫療專業人員強化輔助操作能力。另結合相關檢查檢驗的報告提醒參考與比對，據研究可再提升輔助診斷正確率。最後，將確認的檢查發現導入結構化報告以支持進一步的臨床研究，亦為進入精準醫療目標不可或缺之步驟。本計畫期以建置一套影像AI報告產生平台，使用AI協助醫師更容易撰寫報告，減輕醫師負擔，系統內含可持續提高精準度的AI學習機制。

LibraLung天秤肺影為電腦輔助偵測系統(Computer-Aided Detection, CADe)，以人工智慧(AI, Artificial Intelligence)技術，輔助專科醫師判讀胸腔電腦斷層(CT, Computed Tomography)之肺結節影像。本系統以網頁介面操作，具備「肺結節偵測」及「輔助自動報告」兩大功能。 當系統偵測肺部電腦斷層影像疑似肺結節存在，系統自動於影像中標記肺結節之VOI(Volume of Interests)，以及對應肺結節之類型(Class)、肺葉位置(Lobe)、長短軸(Axes)及體積(Volume)資訊，並經由橫切面、矢狀面、冠狀面、最大投影橫狀面觀察肺結節型態。輔助肺結節偵測範圍，包含肺結節最大直徑尺寸為4 mm(含)至30mm(含)，類型不限為實質(Solid)、非實質(Non-Solid)或部分實質(Part-Solid)。 本產品經國內醫學中心測試，模型在偵測肺結節之FROC表現，平均每例偽陽個數(average number of false positives per scan)為2時，靈敏度(Sensitivity)為94 %；在肺結節之類型分類表現為Precision=0.93, Recall=0.93；在肺結節所在肺葉位置分類表現為Precision=0.99, Recall=0.99。

本應用核心緣起，即在於改善這些「診間依賴、資料分散、缺乏標準」的問題。藉由推動 722 居家血壓標準（7 天、早晚各 2 次、連續 2 週），並串聯診所、社區血壓站與居家設備的數據，建立一個完整的血壓管理網絡。我們同時導入 AI 技術，協助進行異常數據偵測、長期趨勢分析與個人化衛教，讓醫師與病人都能透過系統即時掌握狀態。

BIODND 是一款專為生命科學產業經理人、商務開發專家及投資人設計的 AI 智能數據庫。該平臺集成來自亞洲、歐洲及北美的企業資訊，透過自然語言處理與機器學習技術，自動解析並整合產業數據，以提升交易機會發掘與市場評估的效率。未來將擴展至學術機構的研究團隊數據，以促進產業與學研界的合作。 BIODND 具備即時數據更新、自動標籤分類、關聯性分析及生成式 AI 報告功能，讓用戶能快速掌握市場趨勢、尋找潛在合作夥伴，並做出精準的投資決策。

現行傷口照護方法複雜且多元，國內傷口照護專業人力不足，全台16.8萬護理師僅百位取得國際WCET證書，一般護理師對複雜傷口不易推斷與建議，例如：癒合停滯原因、傷口敷料選用、換敷頻率、照護問題、傷口重置等。就臨床統計，透過專業傷造師制訂照護計畫比一般護理師更有傷口復原效率，其照護上能縮短傷口癒合時間更達2倍以上。因此，工研院服科中心「傷口影像分析與復原決策支援系統」針對現今傷口照護之服務流程進行創新服務模式設計，突破過去僅以彩色影像作為評估依據，提升為單次觀察紀錄即可蒐集多維度資訊進行分析，整合熱感與彩色傷口影像，快速量測傷口大小與組織比例變化，有效掌握癒合進展，協助醫護人員減少傷口照護的情勢誤判提高傷口照護的品質，使病患傷口復原情形能有更充份的掌握縮短傷口癒合時間50%以上。

AI語音智能健康照護語音助理可串接搭配各項IoT感測器，降低照顧人員負擔，亦可透過每日的量測紀錄，隨時注意身體狀況；除智能健康照護功能外，還可陪伴聊天講故事說笑話、更能讓遠距子女遠端同步父母狀況及互動，同時也具備智慧音箱基本生活資訊查詢、聽音樂等，並搭配專人服務，提供細緻貼心的個人客服與精準行銷。 本團隊採用最新人工智慧深度學習(Deep Learning)設計語音智能健康照護平台，透過自然語意理解(NLP)及智能學習，開發文字、語音的識別與對答能力。 搭配團隊開發的核心技術，可整合串接各項IoT裝置、並搭配網路開放資料，創造更多樣化的專屬功能。除了健康照護領域，語音智能健康照護語音助理也可以客製化應用於其他產業服務與行銷應用。

實務上醫療機構對公司所提供之AI應用有迫切需求，並且國內尚無相關急重症預測軟體獲得醫療器材二級許可證，因此此應用在市場上具有其特殊性與獨占性，無須進行生物標記即可產出風險機率值，將更容易與臨床醫療資訊系統進行結合而加速拓展至國內外市場。 運用人工智慧技術，能夠預測未來24小時之後病人發生AKI(急性腎臟損傷)、ARDS(急性呼吸窘迫症)等重症的機率值，藉此資訊輔助醫事人員判斷病人發生AKI、ARDS等的風險，並能即時且連續性的超前預測，掌握介入的黃金時機。 所需之輸入資料，須由醫院端依API手冊之指引實作Software Interface，有兩種模式(Model)，以AKI(急性腎臟損傷)為例： Model-1：醫院資料來源主動、定期推送資料至Software Interface，本產品再定期向Software Interface取得。 Model-2：本產品定期向Software Interface索取資料時，Software Interface才向醫院資料來源索取資料。 上述Model-1、Model-2只需擇一實作即可。 本產品輸出主要為兩大部分： 1.風險機率值：數值範圍為0%~100%，數值越高代表急性腎損傷(AKI)發生的機率越高。 2.特徵權重值與其排序。 (1)本產品之預測產出共21項特徵及其權重值(-1.0~+1.0)，特徵權重的絕對值越大，代表該特徵對於預測模型的重要性越高。 (2)輸出特徵權重值及排序之臨床判讀，臨床醫療人員可以參考產品輸出的特徵排序，了解該病人發生AKI風險的重要因素。

糖尿病自1987年以來一直佔據我國人十大死因前5名，而糖尿病患伴隨的併發症更造成我國醫療資源龐大的負擔，其中因糖尿病所衍生視網膜病變，更使得糖尿病患比一般人高出25倍的失明風險，因此國民健康署規定糖尿病患每年至少要進行一次眼底檢查，但經糖尿病共同照護網內之家醫診所統計，眼底檢查率歷年都是指標偏低的項目，原因不外乎診所缺乏檢測設備與眼科醫師，以新北市為例「全區29個行政區，其中13個行政區無眼科診所」，因此本計畫引進工研院開發AI輔助診斷系統，來協助非眼科醫生進行眼底圖判讀，並判斷糖尿病患是否該轉診至眼科，提高糖尿病患視網膜病變的早期篩檢率。 AI眼底圖影像輔助分析是一套針對糖尿病視網膜病變診斷開發的輔助AI系統，透過取得經醫師標註之資料集，設計一個卷積神經網路，採用機器學習技法讓該CNN學習如何從眼底影像萃取糖尿病眼底病變。已於3家醫院及6家診所進行服務驗證，實際受檢測人已超過4,000人次，訓練與測試影像判讀準確率已達 90%，以精準檢測分析數據供醫師作為判斷依據，提高視力醫療照護效率。

糖尿病患居家血糖自我管理之遵從度差（僅53%量血糖，31.7%運動習慣），IWT運動控糖照護解決方案提供用戶客製化飯後Interval Walking Training間歇步行訓練運動，透過IWT劑量化運動導引 +飲食醣份數管理，引導病患於對的時間進行對的運動，運動中使用手機內建G sensor，自動識別運動強度，有效控制飯後血糖高峰值，工研院IWT運動控糖照護解決方案2018已成功導入國內3家糖尿病權威診所可有效降低飯後1小時血糖高峰值，運動前後血糖下降平均約30mg/dL，驗證糖尿病病患HbA1c 3個月平均下降0.9%(每降低 1% HbA1c，糖尿病造成的死亡率可下降 21%、小血管併發症下降 37%、周邊血管引起的截肢或死亡下降 43%) ；使用者可透過飲食照片上傳，整合運動、飲食與血糖關聯分析之健康資訊平台(Dashboard)提供賦能控糖管理使用，結合後台個管系統，協助照護/醫事單位快速找出血糖管理不佳及生活型態異常之個案，提升用戶自我管理血糖能力。成功導入家醫診所糖尿病共照網、團保外溢保單、運動中心…等國內業者。

我國糖尿病患者視網膜病變盛行率約35％，且十分之一將會發展至威脅視力程度的增殖性糖尿病視網膜病變，造成巨額醫療照護支出。台灣糖尿病眼底拍攝需求大，但篩檢率低(約33%) ，透過「糖尿病眼部影像AI決策支援系統」能協助醫師短時間內更精確的診斷，並輔助非專科醫師/視光師初步快速篩選可能視力病變的病患，以提早控制與治療避免疾病惡化。工研院服科中心「AI+一站式視力健檢」採用嵌入式糖尿病眼底病變辨識系統，連接至數位眼底鏡，利用人工智慧之深度學習方法，醫生對糖尿病眼部專業經驗病變影像判讀的建模，從巨量醫療資料學習出糖尿病視網膜病變辨別模型，可直接完成糖尿病視網膜病變嚴重度判讀輔助即時診斷。「糖尿病眼部影像AI決策支援系統」整合眼底鏡設備，完整AI系統移植於不到10公分長的智慧閘道器，整合十餘款不同廠牌型號的眼底鏡設備；內含由數十萬張影像資料、統計分析及決策支援系統，所發展出高鑑別度、眼底影像AI模型篩出率(二分類正確率：93.86%) 截至2018年底已媲美Google來到世界第3。目前已成功導入企業健檢、醫院健檢中心、家醫科診所、眼科及視光中心…等。

醫療影像資料占醫學資訊量 80%，每張醫學影像相關標註，皆是重要的醫療診斷資訊，若可收集放射科醫師平日工作之醫療註解資訊，將可大幅提升人工智慧訓練成效，降低電腦偽陽性與偽陰性之判讀，進而提高AI輔助醫學影像判讀之可行性，提升放射科醫師工作效率。尤其目前醫院在影像醫學科醫師人力普遍不足，預防意識抬頭以至於醫學影像判讀需求遽增，此外先進儀器產生資料量快速增長，皆造成相關工作負荷過重。又特別在偏遠地區專業影像醫學科醫師短缺，若能應用AI輔助醫學影像判讀，提高辨識率外，在影像微小的病灶查找、病灶連續追蹤上，亦可為醫療專業人員強化輔助操作能力。另結合相關檢查檢驗的報告提醒參考與比對，據研究可再提升輔助診斷正確率。最後，將確認的檢查發現導入結構化報告以支持進一步的臨床研究，亦為進入精準醫療目標不可或缺之步驟。本計畫期以建置一套影像AI報告產生平台，使用AI協助醫師更容易撰寫報告，減輕醫師負擔，系統內含可持續提高精準度的AI學習機制。

結合醫師專業知識與人工智慧分析之人腦與AI雙腦協作，更有效率協助非眼科醫師進行糖尿病眼底影像的病變判讀，免除轉診眼科的不便利，進而提高潛在病患早期發現之比率，減少醫療照護支出與社會成本。本技術提供二項主要功能：1.切合台灣糖尿病共同照護網的病變分級需求：提供糖尿病視網膜病變的五個級別(No DR, Mild NPDR, Moderate NPDR, Severe NPDR, PDR)的分類模型，給予不同分級病患更為貼切的醫療照護。亦提供是否轉診眼科的二分類模型。2.標示糖尿病視網膜主要病徵的位置：國際上目前唯一可偵測四種主要的病徵 (Microaneurysms, Hemorrhages, Cotton Wool Spot, Hard Exudates)，並且清楚標示位置的AI判讀技術，可有效輔助醫師針對病變嚴重程度的判讀。