【Day-1】醫療人工智慧概論：AI 如何改變傳統醫療生態

1. 前言與自主學習動機
   隨著生成式AI與深度學習技術的進步，醫療領域已經成為科技應用的重要前沿，傳統的醫療體系長時間面臨醫療資源分布不均、醫護人力負擔過重以及大量醫療資料難以即時消化的這些挑戰，這次30天自主學習計畫將從觀念跟趨勢做延伸，探索 AI 技術如何融入醫療流程，成為輔助醫護人員的助手。
2. 什麼是醫療人工智慧？
   醫療人工智慧是將機器學習、深度學習與自然語言處理這些技術，應用在醫療診斷、照護流程、疾病預防與醫院管理中，主要目的不是取代醫生，而是為「臨床決策支援系統」，協助醫護人員從許多數據中迅速找出關鍵資訊，降低人為疏失跟提高診斷效率。
3. AI 正在改變的四大傳統醫療場域
   醫學影像判讀：利用電腦視覺自動分析 X光、CT 或MRI影像，快速找出病灶像是肺結核腫瘤這些的，縮短放 射科醫師的閱片時間。
   臨床決策輔助：整合病患的歷史病歷和生命徵象，即時預先警告敗血症或心肌梗塞等高風險病況。
   醫療文書自動化：透過語音辨識與生成式AI，自動將醫生與病患的對話轉為結構化的電子病歷，減輕護理師與醫師的行政負擔。
   精準醫療與藥物開發：利用大數據預測個人化藥物反應，縮短新藥研發的篩選週期。

【Day-2】機器學習與深度學習在醫學領域基礎概念
1.前言
昨天聊完 AI 怎麼改變醫療體系之後，今天想來聊聊支持這些應用的核心技術
大家常常聽到「人工智慧」、「機器學習」跟「深度學習」，聽起來好像差不多，但其實它們是都是有關係的。在醫療領域裡，這兩大技術扮演了非常關鍵的角色！
2.什麼是機器學習與深度學習？
簡單來說：
機器學習（Machine Learning）：就像是給電腦看很多病歷資料跟特徵，讓它自己從資料裡面找出規律，進而做出預測或分類。
深度學習（Deep Learning）：是機器學習的一種進階分支，模仿人纇大腦神經元的運作方式，它最厲害的地方是可以自己從複雜的資料像是照片裡抓取特徵，不需要人類手動告訴它要看哪裡。
3，它們在醫療場域怎麼分工？
傳統機器學習（通合結構化資料）：
像是血壓、血糖、年齡這種有數字跟欄位的資料，例子就是利用機器學習模型分析病患過往的檢查數據，預測他未來罹患糖尿病風險。
深度學習（適合非結構化資料）：
像是X光片、腦部MRI或是內視鏡照片，深度學習對這種影像特別拿手，可以自動抓出影像中細微的異常像素，幫忙發現早期病灶。

【Day-3】醫學影像 AI的應用：X光、CT與 MRI的自動判讀
1．前言
介紹完機器學習跟深度學習的基礎觀念後，今天直接進入目前醫療 AI 發展最成熟、也是最常見的應用領域—醫學影像判讀！在醫院裡，放射科醫師每天都要看成百上千張影像，這時候 AI就變成了最給力的助手。
2.為什麼醫學影像特別適合交給 AI？
因為醫學影像像照片一樣屬於非結構化資料，這正好是深度學習最擅長處理的領域，AI 能在幾秒鐘內掃過整張影像，透過比對數百萬張訓練過的標籤資料，找出肉眼容易忽略的微小病灶。
3.三大常見醫學影像的 AI 應用
✕ 光片 （X-Ray）：
最常用在胸部 X 光判讀，AI可以快速幫忙篩檢出肺部是否有異常結節、肺炎浸潤或是氣胸，在急診室能第一時間協助檢傷分類，挑出危急的病人。
電腦斷層（CT Scan）：
CT 影像是由幾百張切片組成的，醫師要一張張看非常花時間，AI可以自動幫忙疊合切片、計算腫瘤或出血的體積，像是腦出血或肺癌早期篩檢，AI都能大幅縮短判讀時間。
核磁共振（MRI）：
MRI主要用來看軟組織，像是腦部結構或關節，AI 能幫忙比對不同時間點 MRI 影像，精準算出腦部病變範圍有沒有擴大，或是輔助診斷阿茲海默症等腦部退化疾病。

【Day-4】眼底鏡檢查與糖尿病視網膜病變Al輔助篩檢
1.前言
看完各大醫院常見的 X光、CT 跟 MRI之後，今天想來聊聊一個很接地氣，甚至在基層診所或衛生所就能發揮大作用的 AI 應用—眼底鏡檢查與糖尿病視網膜病變篩檢！這也是台灣與國際上非常早落地取得醫療器材許可的AI技術之一。
2.為什麼糖尿病患者要照眼底鏡？
糖尿病最可怕的不是血糖高本身，而是它的併發症，長時間血糖控制不佳會破壞眼睛血管，導致「糖尿病視網膜病變」，嚴重話甚至會失明！所以衛福部一直建議糖尿病患者每年都應該做一次眼底鏡檢查。但問題來了
—很多地方沒有足夠的眼科醫師，病患往往因為嫌麻煩或排隊久而忽略檢查。
3.AI 在眼底鏡篩檢中扮演什麼角色？
自動標註微血管病變：
當眼底鏡照出眼睛後方照片後，AI 可以幫忙檢查有沒有微血管瘤、出血點或黃斑部水腫。
分級與風險評估：
AI 不只看有沒有病變，還能幫忙把病情程度分類（無病變、輕度、中度、重度），如果是輕微的，提醒病患持續追蹤，如果是重度，就立刻警示並協助轉診給眼科專科醫師。
跨科別輔助（家醬科與內科）：
有了 AI 的幫忙，糖尿病患者在一般內科或家醬科看診時，就能順便照眼底鏡並由 AI 初審，大幅提升了篩檢的普及率。

【Day-5】病理學與數位病理影像的 AI 智慧分析

1. 前言
   看完前面幾天的放射影像和眼底鏡之後，今天我們把視角拉得更近，來到病理學，在醫療領域裡，病理科醫師常常被稱為醫師的醫師，因為腫瘤到底是良性還是惡性，最終都要靠病理切片來做診斷。今天就來聊聊 AI 怎麼在這個「黃金標準」上幫大忙！
2. 什麼是數位病理？
   傳統上，病理科醫師要把組織切片放在顯微鏡下一倍倍放大親眼觀察，但現在透過高解析度的玻片掃描器，可以把整張切片變成超高解析度的數位影像，有了數位影像，AI 就能派上用場了！
3. AI 在數位病理上的三大妙用
   癌細胞自動熱點標註：
   一張玻片影像通常非常龐大，AI 可以快速掃過整張影像，幫忙標註出疑似癌細胞的區域，讓醫師不用大海撈針。
   癌細胞計數與分級：
   評估癌症嚴重度時，常常需要計算陽性細胞的比例或分裂細胞數量，這如果用肉眼數非常傷眼睛又容易有誤差，AI 幾秒鐘就能精準數完。
   罕見病灶提醒：
   防止因為疲勞而忽略極微小的轉移病灶，AI 可以作為第二道防線給予警示。

【Day-6】自然語言處理在電子病歷結構化上的應用

1. 前言
   前面幾天我們聊的都是看照片看影像的 AI，今天我們要換個領域，聊聊處理文字的 AI 技術——自然語言處理！大家知道嗎？醫院裡每天會產生大量的病歷和紀錄，但這些文字資料常常亂七八糟，AI 要怎麼幫忙整理呢？
2. 自由格式文字的痛點非結構化資料
   醫師在寫病歷時，每個人的習慣不同，常混合英文縮寫、專有名詞甚至錯字，這種沒有固定格式的文字稱為「非結構化資料」，電腦很難直接拿來統計或分析。
3. NLP 在病歷處理上的關鍵角色
   自動提取關鍵資訊：
   NLP 可以自動從一篇落落長的病歷裡，精準抓出「症狀」、「診斷名稱」、「開立藥物」與「過敏史」，把它們整理成有條理的表格式資料。
   醫學術語標準化：
   不同醫師對同一種疾病可能會用不同的簡稱，NLP 能夠幫忙統一轉換成國際標準醫學代碼（如 ICD-10），方便醫院報帳與臨床研究。
   智慧搜尋與研究預測：
   把病歷結構化之後，醫院就能快速搜尋「過往有哪些使用特定藥物後產生某併發症的病患」，讓臨床研究效率翻倍。

【Day-7】智慧醫療對話機器人：輔助衛教與醫院客服的落地場景

1. 前言
   大家去大醫院看診時，是不是常常覺得等很久？或是看完診回家後，突然想起來忘記問藥要怎麼吃？今天我們要聊的，就是能 24 小時在線上幫大家解答疑難雜症的智慧醫療對話機器人！
2. 解決醫院客服與衛教的痛點
   醫院門診量巨大，電話常常響個不停，衛教人員也需要不斷重複講述一樣的注意事項（像是門診時間、術前禁食規則、抽血須知等），這時候，對話機器人就能分擔掉很大一部份的諮詢工作。
3. 智慧醫療 Chatbot 的常見應用
   門診掛號與導診：
   民眾可以用自然語言描述：我最近常常頭痛跟睡不好，對話機器人能初步分析並建議應該掛神經內科還是身心科。
   術前後衛教提醒：
   在 LINE 或 App 上自動提醒病患「明天做胃鏡，今晚 12 點後不能吃東西」，或是衛教大腸鏡檢查前的清腸步驟。
   慢性病自我管理：
   讓病患每天回報血糖或血壓數值，對話機器人會給予及時的衛教建議，並在數值異常時提醒回診。

【Day-8】生成式 AI 在醫療文書與護理紀錄撰寫上的潛力

1. 前言
   這兩年最紅的技術絕對是 ChatGPT 這類的生成式AI了！除了聊天之外，生成式 AI 在醫療界其實有一個超級棒的功用——幫醫護人員寫文書作業，幫他們從無止盡的行政表格中解脫！
2. 醫護人員的隱形負擔：行政文書
   大家可能不知道，醫師和護理師每天花在寫病歷、護理紀錄、交班報告的時間，甚至不輸給看診與照護病人的時間，這不僅容易引發職業倦怠，也會壓縮到照顧病人的精力。
3. 生成式 AI 怎麼幫忙寫文書？
   醫病對話自動轉病歷：
   醫師看診時打開麥克風，AI 自動聽醫病對話，並即時生成結構好的 SOAPE 病歷草稿，醫師只要確認塗改即可。
   護理交班摘要生成：
   自動整理病患過去 24 小時的生命徵象與用藥紀錄，快速生成一份重點明確的「護理交班摘要」。
   出院病歷摘要：
   將病患住院期間的所有檢驗報告、手術紀錄與用藥歷程，自動縮寫成一份精簡的出院報告。

【Day-9】AI 輔助新藥開發（AI-driven Drug Discovery）的運作原理

1. 前言
   開發一款新藥到底有多難？傳統上常常需要花費 10 到 15 年 的時間，加上高達數十億美元的資金，而且失敗率極高，今天我們要聊聊，AI 怎麼幫生技藥廠「開掛」，縮短這個漫長又昂貴的研發過程。
2. 傳統新藥開發的瓶頸
   傳統開發藥物就是在幾百萬個化合物裡，試著找出能打開特定病原體或蛋白質標的的那一個，大部分時間都花在漫長的實驗室篩選與試錯。
3. AI 如何加速新藥研發？
   標的靶點發現：
   分析基因與疾病數據，快速找出導致疾病的關鍵蛋白質標的。
   分子結構設計與篩選：
   AI 可以透過演算法，在電腦裡模擬數百萬種化合物與靶點的結合效果，快速淘汰無效的分子，只留下最有潛力的化合物進實驗室。
   蛋白質結構預測：
   利用深度學習精準預測蛋白質的三維結構，讓科學家能像看 3D 模型一樣直覺地設計藥物。

【Day-10】基因體學與精準醫療：大數據與 AI 如何解析個人基因

1. 前言
   大家有沒有想過，為什麼同一種感冒藥或癌症標靶藥，有些人吃了很有效，有些人吃了卻沒反應甚至會有嚴重副作用？答案就藏在我們的DNA裡！今天第十天，我們就來聊聊 AI 怎麼解讀我們的基因密碼，實現真正的精準醫療。
2. 什麼是精準醫療？
   傳統醫療常常是「一種藥打天下」，但精準醫療是根據每個人的基因特徵、生活習慣與環境，量身打造最適合的預防與治療方案。
3. AI 在基因大數據中的角色
   海量基因定序資料解讀：
   人類基因組包含超過 30 億個基地對，產生出來的資料量巨大，AI 能在幾分鐘之內比對完這些數據，找出基因突變點。
   癌症標靶用藥預測：
   透過分析腫瘤細胞的基因突變，AI 可以協助醫師評估哪一種標靶藥物對該病患的治療效果最好、副作用最低。
   遺傳疾病與癌症風險預估：
   結合個人基因資料與大數據模型，預測未來罹患特定乳癌、心血管疾病的風險，提早進行預防性處置。