本研究利用機械學習演算法，以建立感染嚴重特殊傳染性肺炎從急診住院的病患是否發生院內心跳停止事件的預測模型，以及早找出此類高風險病患，防範於未然。研究成果的模型分辨率優於現行國際採用的預警評分系統。

本團隊發展之脈波傳導速度估測系統利用腕式光體積描記訊號PPG與心電訊號ECG，透過遺失特徵差補與模糊特徵辨識技術搭配加權式波形拆解法解析PPG脈波，得到五個成分波的波峰時間、寬度與振幅，據此估測肱踝脈波傳導速度。

HeaortaNet AI模型為整合影像分割、心血管疾病指標分析及串接風險預測模型的一站式分析工具。本模型將無顯影劑胸部電腦斷層影像分割心包膜及主動脈程序由人為的60分鐘縮短至0.4秒。心包膜分割準確度94.8%，升/降主動脈91.6%。

智慧攜帶型神經回饋訓練系統: 產品亮點: 1.腦波數值準確(經過嚴格的軟硬體設計和驗證) 2. 即時回饋(經過特殊演算法計算，可藉由電腦螢幕或手機APP即時顯示大腦有無產生放鬆腦波) 3.可居家使用(配戴、操作簡單

痰液抹片人工智慧自動鏡檢系統 AIASMS: 痰液抹片人工智慧自動鏡檢系統(AIASMS)能夠從痰液抹片的樣本上自動拍攝影像以及辨識肺結核菌。AIASMS可在顯微鏡底下，透過自動對焦的方式，找到最適合拍攝影像的深度並且自動拍攝。拍攝完成的照片會被存在雲端資料庫。同時，AIASMS也會辨識是否含有肺結核菌。AIASMS的AI演算法能夠準確標示出TB的位置，並且敏感度與特異度分別可達90%、99%。我們也分別與台灣的北、中、南地區的三家醫院合作進行盲測試驗，敏感度都達90%以上。此外，這套系統還能區MTB與非結核分枝桿菌(NTM)。最後，在技術的擴展上，我們從原本的抗酸性染色的辨識延伸到了革蘭氏染色的辨識上，使我們的系統，能夠廣泛的辨識多種細菌。

ALOVAS 平台: ALOVAS 是一個 A.I. 病理分析平台，提供高解析度病理圖像檢視器，可以即時查看千兆像素級的原始圖像。 ALOVAS 平台不僅可以在電腦上使用，也可用於 iPad 。 用戶可以上傳圖片至平台，選擇AI模型進行自動檢測，在平台上瀏覽檢測結果。 ALOVAS 還提供了常用的標註工具，包括手繪、圓點、矩形等，可以用來標註感興趣的區域。我們希望 ALOVAS 能夠幫助醫生進行快速診斷，進行相關病理研究，減少病理學家未來的工作量。

心電圖診斷心肌梗塞模型: 以往AI系統大都給人黑盒子的感覺，無法讓人信任。 本團隊設計了一套可讓醫生調整與觀察AI model的機制， 使得AI model可以客製化成醫生想要的功能。我們利用醫生最常用的通訊軟體LINE為平台，設計一個EKG Line Bot，醫護人員可以上傳心電圖至EKG Line Bot可以即時辨識該心電圖是否為Stemi，以協助醫生判斷病人有無心肌梗塞的跡象。

臺大醫神精準健康管理平台，穿戴式裝置+IoT環境感測器+深度學習落實精準健康管理: 精準醫療旨在透過大量數據收集與分析電子病歷、基因、生活型態與生活環境資料，針對不同個案自身環境與疾病狀況發展個人化照護，其中生活型態與環境因子影響劇甚，台大醫神生活型態與環境監測平台透過整合穿戴式裝置、IoT環境感測器、深度學習技術建立疾病預測模型，除提供全天候即時監測輔助醫療照護人員決策外，也解決長久以來無法有效收集病人出院後疾病風險資訊問題。 公司介紹: 本計畫為研發一個「精準醫療AI輔助決策系統」，已執行四年，共包含四大工作項目：（1）電子病歷及醫學數據分析處理；（2）基因資訊庫與相關疾病之診斷與治療；（3）醫療期刊書籍文件資訊擷取；（4）精準醫療人工智慧開發。計畫將整合臺大醫院完整的電子病歷，涵蓋醫療、護理、檢驗、影像及復健等資料，並蒐集建立10,000名病患生活型態及環境因素的大數據庫；臺大基因醫學團隊以AI技術探討基因結合遺傳疾病、癌症、藥物代謝及敏感、與多因子罕見疾病；臺大資訊工程團隊以資料探勘及機器深度學習等技術，建立大數據知識網路，並研發進化基因相關疾病、肺癌、肝癌及敗血症之人工智慧決策輔助系統，逐漸應用到所有的病人身上。計畫成果具有國際級的高度醫學應用及學術研究價值，可顯著提升人民健康福祉，並協助臺灣建立具有國際競爭力之醫療AI產業。

智慧腦影像診斷服務平台: 本團隊研發之思覺失調症腦影像診斷平台，現已達超過90%診斷準確率，可提供臨床精神科醫師客觀的診斷依據，減少傳統精神疾病診斷的主觀偏誤，本產品技術已送專利申請中。國際上目前類似產品準確率約為71%-76% (Nieuwenhuis et al, 2012; Winterburn et al., 2017; Rozycki et al., 2018) , 且線上平台多無法提供診斷服務 (Sherif et al., 2015)；本團隊開發的模型可達91.7%的準確率 (Yu-Wei Chang, Shih-Jen Tsai, Yung-Fu Wu, Albert C. Yang, 2020)，並能自動判別腦病變的位置且於線上診斷平台即時顯示可能患病機率、分類判定是否罹患疾病以及利用視覺化呈現可能的腦部異常區域，如此細節都將有助於臨床醫師結合學識與專業判斷、也能使非專業人員正確認識該疾病，並有效遏止潛在利用精神疾病規避責任者。

核心概念為利用龐大醫療數據庫建立機器學習預測模型輔助醫師決策與兼顧可解釋性之實務應用。為科技部拔尖整合計畫所推動智慧急診之子項目，透過台大醫院病歷資料取得完整關鍵特徵分析，並精準預測重要臨床指標與檢索相似病歷取回，期能改善急診流程與解決壅塞。現已在回溯性研究中獲得驗證，將於今年正式進入臨床試驗階段。