AI時代技術－人工智慧輔助醫療影像判讀於偏鄉與都市醫院成本管理之應用與挑戰

●技術簡介：

近年來，為了節省醫院的成本，成本管理已經成為一個重要之議題。在偏鄉地區，由於電腦斷層掃描（CT）之高昂設備成本，因此阻礙了CT在偏鄉地區之普及率。此外，在市區醫院，雖然有CT可以進行更全面的檢查，但是CT影像需要經驗豐富的影像醫學科醫師進行解讀。在一些地區或情況中，由於人員或成本不足之問題，導致影像解讀之延遲。最後，解讀影像過程不僅花費大量時間成本，也會受到影像醫學科醫師之主觀判斷。因此，解讀之結果可能存在一定程度的變異性。有鑑於此，本研究團隊與嘉義基督教醫院（以下簡稱嘉基）之醫療團隊共同合作，由嘉基提供本研究所需之影像數據，進行X光片影像之三種結石偵測與斷層掃瞄影像之肺部病變偵測之研究。此研究成果獲得［2025年第十八屆台灣管理學會論文大賞：AI應用論文競賽］之優等論文獎。未來，研究成果將陸續開發成結石偵測系統與肺部病變百分比估算系統以協助醫療人員提升結石偵測與肺部病變百分比評估之準確率。

●技術團隊：施柏州（撰稿人）、何承恩、陳界壬，工業工程與管理系
●相關產業：醫療院所。

►(圖一)結石偵測

►(圖二)肺部病變偵測

►(圖三)崇越論文競賽頒獎典禮

AI時代技術－智慧腦齡監測助力失智症早期篩檢

●技術簡介：

全球高齡化使失智症成為嚴峻的挑戰，現有治療常在腦部已發生不可逆損傷後才介入。醫學研究證實，大腦的結構性病變遠早於臨床症狀出現，因此開發一項能捕捉早期微小變化的客觀生物標記，是預防與延緩疾病的關鍵。因此透過深度學習分析大腦MRI影像，建立精準腦齡預測系統，以提供早期健康警訊。
核心功能是利用創新的3D卷積神經網路（3D CNN）模型，並整合來自不同資料庫、涵蓋6至90歲的2,555名受試者數據進行訓練。本系統提出的架構(圖一)能同時分析大腦的灰質與白質特徵，並透過注意力機制強化關鍵資訊，最終達成了3.37歲的平均絕對誤差，表示模型預測的腦齡與實際年齡平均相差約3.37歲。例如，若受試者的實際年齡是50歲，本系統平均可能會預測為46.6至53.4歲之間，這數值越小，代表預測的精準度越高。

本研究開發了一套整合式圖形化使用者介面(圖二)，此系統可讓臨床醫師無需複雜的技術背景，即可快速獲得腦齡分析結果(圖三)，此視覺化結果透過Grad-CAM呈現，用以揭示模型在預測時所依據的關鍵腦區。圖中紅色至黃色代表模型高度關注的區域，臨床醫師可藉此直觀地判斷模型是否聚焦於與老化及神經退化相關的重要結構，例如本研究發現模型主要關注胼胝體。因此，這份報告不僅提升了AI模型的可解釋性與可信度，更能作為客觀的輔助資訊，輔助醫師更精準地評估個案的神經退化風險。

●技術團隊：電機工程系 葉鎗銘、指導教授：張廷安教授（撰稿人）
●相關產業：本技術可應用於多項醫療與健康照護相關產業，包括臨床神經醫學、老年醫學、醫學影像判讀與AI醫療軟體開發等領域。

►(圖一)腦影像分析流程，分別將灰質與白質影像提取特徵後，在中間階段融合處理，再進一步分析，以預測腦部健康情形

►(圖二)使用者介面

►(圖三)腦齡分析結果

AI時代技術－使用特徵提取和選擇增強鋰離子電池健康狀態評估技術

●技術簡介：

隨著科技巨頭持續釋出創新的 AI 應用技術，不僅讓使用成本逐漸下降，加上開放式的 AI應用 生態圈，未來人們將能輕鬆運用相關技術。當然在這股浪潮同樣將推動了電動車與電池產業的發展，其中「如何精準掌握電池健康狀態（State of Health, SOH）」成為電池管理系統（BMS）的關鍵議題。
本研究中可透過對恆流-恆壓充電曲線進行統計特徵萃取，並從電壓與電流數據中建立多項健康指標，再結合機器學習模型進行訓練與最佳化，不僅能有效提升 SOH 評估準確度，更能顯著降低模型誤差。研究顯示，這種方法在誤差改善幅度上甚至超越傳統與深度學習演算法，如均方根誤差與平均絕對誤差分別下降逾 12% 與 15%，提升效果高達一倍以上。
對電池產業而言，這項成果具有深遠意義：一方面可降低演算法的計算複雜度，提升 BMS 的即時判斷與應用效能；另一方面，藉由更精準的 SOH 預測，不僅能延長電池壽命，更能確保電動車與儲能系統等應用場域的安全性與可靠性。未來，透過產學合作導入 AI 驅動的特徵工程與智慧選取策略，將有助於打造新一代高效、智能的電池管理方案，加速電池產業邁向智慧化與永續化的未來。

本研究開發了一套結合機器學習的估測系統，用於提升電池健康狀態（SOH）之預測精度與計算效率。在實驗結果中，右圖展示了多種方法的預測值與實際值之比較，包含倒傳播神經網路（Backpropagation Neural Network, BPNN）、Regression Trees、Ridge、Lasso 與 Elastic Net 等模型。值得注意的是，機器學習迴歸技術不僅能提供預測結果，亦能產出特徵重要性指標，有助於後續的特徵分析與萃取。圖中紅色虛線代表實際值，而藍色點則為模型預測值。左圖則顯示了「選定特徵」與「使用全部特徵」的最佳模型之對比結果。圖中紅色虛線為實際值，藍色與橘色點則代表不同模型的預測值。對比結果清楚顯示，適當的特徵選擇不僅能有效提升模型的預測精度，同時也能降低計算複雜度，進一步驗證了本技術在電池健康狀態評估上的實用性與可靠性。

●技術團隊：電機工程系 劉俊良教授
●相關產業：本技術可廣泛應用於電池管理系統（BMS）與儲能系統，並可望對消費性電子產品、電動車、再生能源以及智慧機器人等產業帶來顯著助益。

 ►(圖一)選定特徵和使用所有特徵的最佳表現模型的預測與實際圖

 ►(圖二)多種機器學習方法的預測與實際圖

AI時代技術－基於邊緣運算的農田病蟲害監測智慧電池設計系統

●技術簡介：

這隨著人工智慧（AI）與物聯網（IoT）持續擴展應用場域，如何在低功耗、長時間運行的環境中維持高效能運算，成為智慧農業與綠能科技的重要挑戰。
本研究提出一種整合太陽能、電池與超級電容之智能電池設計與能量管理系統，用於支援邊緣運算（Edge Computing）的農田害蟲監測。圖1為系統架構利用太陽能作為能源來源，透過電池與超級電容的協同儲能，實現持續穩定的電力供應，並支援在戶外長時間運行的 AI 裝置。研究中，Raspberry Pi 作為運算核心，結合 YOLOv5 演算法進行害蟲影像辨識，並透過 StyleGAN3 進行數據增強，使得小樣本數據環境下的辨識準確度提升至 85.4%。結果顯示，本系統能在不穩定的戶外環境下長期穩定運作，並將數據即時回傳伺服器，提供無人機規劃精準農藥噴灑路徑的依據。在能量管理方面，本研究的電池管理策略可精準掌握電池健康狀態（State of Health, SOH），藉由對充放電曲線進行特徵萃取並結合機器學習模型，不僅能降低演算法的計算複雜度，更能有效提升 SOH 預測準確度。研究結果顯示，所提出的方法在均方根誤差（RMSE）與平均絕對誤差（MAE）上分別降低 12% 與 15% 以上，優於傳統與部分深度學習方法，顯著增進了 BMS 的即時性與可靠性。此成果同時在兩個層面展現其價值 :
• 智慧農業應用：透過 AI 影像辨識與智能電池管理，農民可免於繁瑣的人工陷阱統計，並藉由無人機自動化規劃，實現農藥使用量減少 30–50%，進而降低高達 56% 的作物成本。
• 電池產業推進：精準 SOH 評估使得儲能系統與 BMS 更為高效，不僅延長電池壽命，也確保應用場域（如儲能系統與農業設備）的安全性與可靠性。

●技術團隊：電機工程系 洪崇文教授、劉俊良教授（撰稿人）
●相關產業：此技術結合 AI 影像辨識、IoT、電池管理系統（BMS）與智慧儲能，具備跨領域應用潛力。
智慧農業：自動化害蟲監測與數據回傳、無人機結合 AI 進行精準農藥噴灑、減少農藥使用與人力成本，提升農作物產量與品質
電池與能源產業：電池健康狀態（SOH）精準預測提升儲能系統與 BMS 效能，降低能量損耗適用於太陽能、風能等再生能源系統。

 ►(圖一)系統架構。識別節點採用太陽能供電，進行影像拍攝與辨識