解決痛點 

當前醫療場域在資料與影像應用上面臨多項結構性問題，包括：

• 醫療影像判讀依賴人工，效率與一致性不足：臨床影像（如X-ray、CT、MRI）需仰賴醫師判讀，易受經驗差異影響，導致診斷結果存在變異，且在高工作量情境下易產生延誤與誤判風險。
• 醫療資料分散且難以整合應用：醫療機構內部存在異質系統（HIS、RIS、PACS等），資料格式不一致，造成資料整合與跨系統分析困難，限制數據價值發揮。
• 缺乏可落地之AI模型與系統整合能力：多數AI研究停留於模型開發階段，缺乏與臨床流程及資訊系統整合之能力，導致技術無法實際導入。
• 醫療決策支援不足：臨床決策多依賴醫師個人經驗，缺乏即時、量化之數據輔助工具。

技術帶來的價值：

• 提升影像診斷準確率與一致性
• 降低醫師判讀負擔與人力成本
• 建立跨系統資料整合與分析能力
• 提供即時AI決策支援，強化臨床品質
• 促進醫療機構數位轉型與智慧醫療發展

 技術簡介 

本技術服務整合「人工智慧分析」與「醫療資訊系統建置」，形成可實際部署之解決方案，主要核心包含：

• 醫療影像AI分析模組：應用深度學習（如CNN）進行影像特徵擷取與分類支援病灶偵測、區域標註（segmentation）與疾病預測可應用於胸腔影像、骨科影像、眼底影像等領域
• 醫療大數據整合與分析平台：建立資料倉儲（Data Warehouse）與資料湖（Data Lake）架構整合臨床資料、檢驗數據與影像資訊提供預測模型（如疾病風險預測、再入院率分析）
• 醫療資訊系統建置與介接服務：客製化開發醫療資訊系統（如決策支援系統CDSS）串接既有HIS/RIS/PACS系統提供視覺化儀表板與即時分析介面

▲圖說：團隊技術可運用於合成之胜肽類型

 應用案例 

 隱性骨折影像辨識

• 利用深度學習模型分析X光或CT影像，針對不易由肉眼辨識之微小骨折（occult fracture）進行自動偵測
• 結合影像增強與特徵強化技術，提高低對比區域之辨識能力
• 可應用於急診與骨科臨床流程，提供即時輔助判讀
• 成效：降低漏診率、提升早期診斷準確性，縮短患者等待時間

腦部腫瘤影像辨識

• 應用MRI影像結合卷積神經網路（CNN）進行腦腫瘤區域分割（segmentation）與分類
• 支援腫瘤大小、位置與變化趨勢之量化分析
• 可整合至放射科系統，作為醫師診斷與治療規劃參考
• 成效：提升腫瘤偵測精度與判讀一致性，輔助臨床決策

臨床急性事件預警

• 整合電子病歷（EMR）、生命徵象與檢驗數據，建立即時風險預測模型
• 應用機器學習方法預測如敗血症、心臟事件或病情惡化等急性狀況
• 提供即時預警訊號與風險分級，支援臨床介入時機判斷
• 成效：提升急性事件預測能力，降低住院死亡率與併發症風險

危險物品辨識與警告

• 透過電腦視覺技術分析影像或即時監控畫面，辨識潛在危險物品（如醫療場域內之不當器材、違規物品）
• 可應用於醫院安全管理、實驗室或長照場域監控
• 結合即時警示系統，自動發送通知或觸發防護機制
• 成效：強化場域安全管理，降低意外事件發生機率

生醫感測系統開發

• 整合物聯網（IoT）與穿戴式裝置，蒐集生理訊號（如心率、血氧、活動量）
• 結合AI模型進行長期健康狀態分析與異常偵測
• 可應用於遠距醫療、居家照護與慢性病管理
• 成效：促進連續性健康監測，提升預防醫學與個人化照護能力

 相關連結 

無

 技術產學合作或技轉單位 

無

 獲獎紀錄 

無

 技術聯絡人 

高雄醫學大學 洪一豪副理

連絡電話：07-3121101 ext. 2360

聯絡信箱：R121084@kmu.edu.tw