急診來診病患具高度不確定性及時效壓力：無法預知來診時間、病患疾病種類、特殊事件導致急診快速湧入大量病患等狀況。因此，於病患看診流程之各階段導入人工智慧輔助診斷處置，可維持一致的看診品質、減低醫護人員負擔、有效縮短病患留院時間、提高急診處理量能。本院積極推動運用人工智慧科技，打造智慧醫療場域以提高醫療品質，由急診醫學部與台灣大學人工智慧技術暨全幅健康照護聯合研究中心(以下簡稱台大AI中心)藉由執行國科會Capstone拔尖整合計畫“智慧急診：以人工智慧改善急診病人流動及解決壅塞之全面性策略”建立智慧急診創新醫療流程，並實際於臺大醫院急診完成近萬人次初步驗證，急診流程全面智慧化，在六個急診流程關鍵，成功開發13個AI模型，改善急診壅塞問題。
本計畫由台灣大學陳銘憲前副校長與廖婉君副校長，帶領台灣大學陳信希教授、傅立成教授、陳祝嵩教授、與王偉仲教授等技術團隊，以及由本院吳明賢院長，急診醫學部黃建華主任帶領近十位急診主治醫師，組成堅強跨領域團隊共同規畫進行。
建置算力與數據平台，急診流程全面智慧化
整合本院各科部室 (急診部、資訊室、醫研部、智醫中心等)、台灣大學AI中心多個研究團隊、業界夥伴 (華碩雲端、研華、商之器科技、維曙智能科技等) 投入人力、設備、軟體等，協力建置本院急診私有雲基礎算力、數據平台、以及串接院內數百項即時多模態病歷資料，開發即時AI輔助系統。目前於本院內所建置的急診私有雲平台，其中有六台專屬GPU與CPU伺服主機，區分為兩個高可用叢集 (HA Clusters)，以提供AI模型訓練與推論的算力資源，並能支應急診24小時穩定運作需求。智慧急診流程所需之各項服務、AI模型、數據管理平台均在此私有雲平台運行。此平台整合數據介接傳輸、模型部署更新、運算資源分配、數據分析圖像化顯示介面等功能；平台上也同時運行數項臨床服務系統，包括AI輔助系統、急診中控台即時看板、病床管理系統、病床與設備定位系統等。
六個急診流程關鍵，成功開發13個AI模型
在急診看診流程中，選擇六個關鍵，開發對應的AI模型用以輔助醫師進行診療。模型開發階段需先向院內申請回溯性資料，並輔以國外的開放醫療資料進行訓練，多項模型效能達到世界最佳 (SOTA，state-of-the-art)，並累積發表近30篇國際期刊與會議論文。成功開發13個適用於急診的AI模型。分別運用在急診檢傷、醫師問診、胸部X光檢查、管路誤置偵測、院內心跳停止預後建議、留觀離部評估、早期高危險偵測預警各階段，於病患留院期間，隨時根據當下狀況提供最新AI輔助建議：
一、 快速精確的電子化檢傷：用於預測檢傷等級、住院機率、留院時間，輔助醫師進行有效準確的檢傷分級分流。
二、 快速精準的病史分析：依據病人病史預測潛在癥狀與診斷的ICD code，提醒醫師可能的病因與處置。
三、 即時危險分級及辨識：對躺床病患以平躺胸部X光影像進行即時判斷，同時偵測是否感染肺結核、偵測有無氣胸癥狀與位置、及偵測是否有導管誤置情況發生。
四、 及早及適當安全的離部：預測三日再回診可能性、留觀期間死亡機率預測、住院可能性預測、停留超過 24 小時預測、相似病歷取回機制，輔助醫師評估病患離院風險。
五、 心跳停止事件的預後評估：本團隊獨創開發之技術，由腦部CT影像自動偵測與計算腦部灰白質比率，輔助醫師快速且精確評估病患後續治療規劃。
六、 病患手環早期高危示警：急診病患藉由戴上智慧型手環，隨時進行生理訊號監看，由模型偵測30~60分鐘後高危險狀況發生機率並即時提出警告，臨床醫護人員可提早介入處置。
保護病患隱私，進行臨床前瞻性試驗，導入多院區落地試用
研究團隊與業界夥伴依據本院急診使用需求，在急診私有雲平台上，以一年半時間共同開發出智慧急診AI輔助系統，介接數百個即時病歷項目欄位與醫療影像，以每15分鐘頻率更新每位急診病患狀態與AI建議，並能同時追蹤多院區至少五百名以上急診病患。藉由使用AI輔助系統，醫師能隨時掌握負責的病患狀況，如同有位AI助理隨時提醒，不僅減輕醫師負擔也達到一致的醫療品質。
為確認臨床效益，並兼顧病患隱私，整個急診創新流程撰寫嚴謹的IRB計畫書經台大醫院倫委會審核同意，所有病歷與影像資料以即時去識別化的方式進行臨床試驗，已有近萬名案例進行驗證。為使各地區均能運用創新智慧醫療工具，本院規畫於今年2月起陸續在雲林分院及新竹分院導入試用。不僅能平衡城鄉醫療資源差距，也能依據不同區域看診需求，持續收集資料並進行調整優化。
急診現場智慧化，圖像式管理急診人流、病床及設備
透過院內定位系統，準確定位總院急診場域內一百多張病床與數百項設備；嘗試調整臨床流程，使用病床管理系統以掌握病床位置與使用狀態 (如空床、使用中、待清床、維護中等)。急診醫師與護理師可使用診間電腦，或行動式平板手機，透過連接急診中控台即時看板頁面快速掌握現場病患與資源的全面狀況，以快速因應緊急狀況。
國科會補助，發展智慧急診，儲備研究動能
導入人工智慧技術，需要投入相當多的資源與人力。藉由三年來國科會支持與各方投入協助，已奠定本院智慧急診的基礎，並將繼續導入創新流程於各院區進行試用。這個智慧急診創新醫療流程可說是本院啟動智慧醫療最好的範例，為持續加速轉動這個創新循環，除了擴大應用持續營運優化之外，也將本院過去十年的急診病歷資料，清理建置為“急診特色資料庫”，交由醫學研究部管理，開放供本院未來醫學研究使用。這是臺大醫院在推動智慧醫療的里程碑，也是下一階段的起點，未來將持續在智慧醫療的領域，為守護全民的健康持續努力。
相關報導
https://www.chinatimes.com/realtimenews/20230220002229-260405?chdtv
【活動訊息轉發】歡迎報名參加專題演講(2023/01/03)
https://docs.google.com/forms/d/e/1FAIpQLSfAqyWSfc1ru9AGMQHzrtDLYmxBejbIi12ukmAPv2jdkUNZeQ/viewform
誠摯的邀請您參加「人工智慧倫理與法律國際論壇」(2022/12/21)
此次論壇邀請來自美國及澳洲的國際法學專家，以及台灣AI及法學相關專業人士與會，
共同探討如何因應AI人工智慧在日益蓬勃發展下，對當前社會倫理與法律的衝擊挑戰，
交流歐美國家先進的AI治理經驗。
活動資訊：
如有任何問題，請洽Taiwan AICoE 推動辦公室，莊小姐。02-2511 3318 分機411
展期：12月1(四) – 4(日)時間：10:00 – 18:00 (12/4開放至16:00)地點：台北南港展覽館一館
【活動宣傳】人工智慧加速器 (AI Accelerators) 短期課程
2022 年 3 月 8 至 3 月 29 日
哈佛大學計算機科學與電機工程 William H. Gates 講座教授 孔祥重教授
●線上報名：https://neti.cc/L2QLpea
●相關資訊詳見：https://aiacademy.tw/ht-class/
緣起：
近十年來，全球頂尖科技公司為提高資料處理速度和效率，研發了不少人工智慧加速器 (AI Accelerators) 專用晶片。這些加速器正在拓展人工智慧應用，並重新定義計算平台，在此同時人工智慧加速器相關架構及軟硬體也持續快速演化改變中，相關研究與從業人士應該善用此一趨勢迎接變革。此課程將協助台灣的工程師、研究人員和研究生了解這個新計算時代的大局，以及相關的技術機會和挑戰。
主辦單位：
台灣人工智慧學校基金會、科技部人工智慧製造系統(AIMS)研究中心、中央研究院資訊科技創新研究中心
聯絡人：(02)8512-3731 #12 康小姐
課程時間：
2022 年 3 月 8 日至 3 月 29 日，每週二與週四。
日期： 3/8，3/10，3/15，3/17，3/22，3/24，3/29。
晚間 18:30 至 20:30。共計 14 小時。
地點:
國立清華大學(新竹市光復路二段101號) 第四綜合大樓綜四館 R224
地圖: https://edu.tcfst.org.tw/map_nthuold.htm
招生對象：
(1) 電機、電子、資訊、半導體及其他相關科系碩博士生 (須經指導教授同意，並請於報名時提供指導教授之姓名與聯絡電話)。
(2) 已應用AI技術從事研究之教職及研究人員。
(3) 半導體研發、IC Design及應用 AI 技術產業從業人員。
入學條件：
(1) 需要具備下列的基本知識 :
(A) 機器學習基礎知識（如卷積神經網絡）。
(B) 具計算機基本架構概念（例如 CPU、GPU、內存層次結構）和對晶片系統 (SoC) 加速器有基本認識。
(C) 能運用大學程度的線性代數和統計學。
(2) 將就相關工作經歷及實際需要進行審核，以決定學員名單。
錄取人數：
80 名 (得不足額錄取)，預計一半名額保留給相關產業從業人員。
學費標準：
(1) 碩博士生、從事 AI 研究教職及研究人員，免收學費。
(2) 產業從業人員每位 24,000元。
本課程收費除支付場地、行政、助教鐘點費用等課程所需支出外，將由主辦單位用於發展『應用人工智慧加速器(AI Accelerators)』之個案研究教材。
課程說明：
本課程介紹了人工智慧加速器的原理。將有六次兩小時的課程，第七次需要進行學員報告與課程總結討論，涵蓋以下主題：
(1) Accelerators for deep neural networks, strategies
(2) Parallelizing neural network computations, minimizing memory accesses and data transfers
(3) Model compression with quantization and pruning, low-bitwidth number formats
(4) Fast approximate neural network functions, knowledge distillation, self-supervised compression using unlabeled data
(5) Speeding up model training, distributed learning and inference
(6) Leveraging physics-based simulation, protecting data privacy and model security
(7) Student presentations and course wrap-up discussion
上課模式：
實體上課為原則，如有遠距上課需求， 3/8(第一次)與3/29 (第七次)仍需實體出席。本課程含分組討論，由助教主持輔導時間並促進討論互動，並將提供上課教學投影片給學員。
流程：
18:30-19:30 講課
19:30-19:40 休息
19:40-20:05 分組討論互動
20:05-20:30 總結
※本課程原則上採實體上課，惟上課模式將依據衛福部疾管署發布之防疫警戒標準方針做滾動式調整。若課程須轉為線上進行，將使用 Zoom遠端教學。
授課老師：
孔祥重(HT Kung)是哈佛大學計算機科學與電機工程的 William H. Gates 講座教授，將於 2022 年春季回台親自授課。孔教授在其研究生涯中橫跨多項電機資訊理論與系統領域，在人工智慧加速器相關領域如機器學習加速器、VLSI 設計、 高性能計算、平行計算、計算機結構和網路皆有研究創見。孔教授的學術榮譽包括美國國家工程院院士、台灣中央研究院院士、古根漢 Fellow 和 ACM SIGOPS 2015 名人堂獎。孔院士於 2017 年起倡議成立台灣人工智慧學校，並自 2018 年起擔任校長至今。
報名方式：
本招生採網路報名，第一階段報名截止日 2022 年 2 月 25 日，請於當日晚間 23：59 前上網完成填寫報名資料 (線上報名：https://neti.cc/L2QLpea)。請完整填寫報名表，以便完成審核程序。第一階段錄取名單公告後，如仍有名額始開放第二階段報名。
錄取通知及註冊：
1.報名者於報名後將收到報名登記確認信。通過審核資格獲錄取者，將發送電子郵件至報名時所留的信箱，請點選信件中的連結網址回覆以完成報名及註冊程序。
2.產業從業人員獲錄取者，需於收到錄取通知後 3 天內完成註冊繳費。請於規定時間內辦理註冊及繳費，繳費方式可選擇線上金流(刷卡)或非線上金流(轉帳)，若選擇非線上金流，系統會產生一組虛擬帳號，請務必在繳費期限內完成匯款繳費。繳費後才算完成報名程序。
3.未依規定辦理或逾期未註冊者，將取消錄取資格，事後不得以任何理由要求補註冊。
注意事項：
1.請務必於報名前詳閱本項招生簡章規定，避免日後因報名表單填寫不完整或資格不符影響錄取。
2.上網登錄報名資料之通訊地址、電話號碼及電子郵件地址請正確填寫，避免因無法即時收到通知喪失錄取資格。
【跨域應用AI技術 台大人工智慧中心展現前瞻研發新量能】
近年數位轉型與AI技術蓬勃發展，是各個產業關注的議題。而一個技術從研究開發到實際的產業應用，需要多方的合作與投入。協助跨領域技術與產業順利連結，是臺大AI中心的重點目標之一，為促成產學交流與合作，臺大AI中心於110年11月26日(五) 舉辦線上「臺大AI中心暨轄下計畫成果發表會」。此次由中心轄下AI核心技術及醫療照護領域的研究團隊，透過技術講演及海報展示，分兩個場次發表多項前瞻研究成果與應用方向。
在AI核心技術場次中，電腦視覺與多媒體類別研究團隊結合眾多技術，已生成相關落地應用於視訊監控與醫學影像、手機晶片與製造，與銀行及輿情分析產業等。其中，臺大陳祝嵩教授團隊所訓練的永續終身學習(CLL)模型應用在工業的瑕疵檢測上，能將所有的瑕疵辨認整合在同一模型進行，可達到增加新的偵測目標而不影響原本的辨識率。
此外，陳祝嵩團隊所開發的Audio visual語音增強技術，透過灰階化、降解析、自編碼等多重手法，讓影像處理成本降至與音訊處理相當，並確保流程中影像無法還原，但仍可保持優異效果，在影像資料分享的過程中同時兼顧效能及隱私。
清大林嘉文教授團隊利用深度學習研發出半導體製程EDA工具，可以早期預測光刻製程所產生的電路失真及光罩修正，可應用於IC 製程之佈局圖評估、IC 瑕疵、熱區預測，及光罩優化等。這是全世界第一套以電腦視覺準確預測光刻製程對晶圓線路所產生的失真之技術，大幅超前目前EDA設計工具，可望造成半導體製程EDA之典範轉移。
AI晶片、硬體設計與通訊類別研究團隊也開發出多項實用技術。元智大學方士豪教授研究團隊開發之毫米波雷達動態感知技術，可在有隱私疑慮的遠距居家照護機構場景，用於偵測跌倒事件發生、或是監測臥床者之生理指數，降低照護者之負擔。
目前離線聲控裝置不易達到大字彙的關鍵字語音辨識，方士豪團隊研發出個人化語音增強技術，可在離線狀態下消除語音訊號中的雜訊，提升關鍵字辨識率，可應用於家電及家庭照護等語音控制裝置。
上圖：方士豪團隊以「個人化語音強化系統」獲頒2019未來科技突破獎。
另外，如何將需要大量計算的AI技術在終端裝置實現，可高度平行化處理的通用繪圖處理器(GPGPU)是一個未來方向。成大陳中和教授團隊自2013年起規畫開發的CASLab GPU，目標是打造出第一顆國內自製的SIMT運算型GPU。
上圖：陳中和團隊以「符合OpenCL/TensorFlow API 規範的通用繪圖處理器」獲頒2020旺宏金矽獎。
透過優化的編譯流程，使軟體堆疊更能配合硬體的運作，大幅提升整體效能，且提供開源的開發執行環境。軟體層無論OpenCL Runtime、Compiler都是以C語言開發，可以搭配在Arm、 RISC-V等常見的CPU平台上運作。這項技術也已開始技轉多家廠商，快速為MCU升級AI能力。
在這個連網智慧服務的時代，人們已習慣使用網路服務，近年來產業界也大量在第一線使用AI智能客服。若要達到精準應對，大範圍的知識庫是不可或缺的。在自然語言與情緒運算類別中，中研院馬偉雲教授團隊開發的獨特知識表達模式，將原本的常識 (廣義知網E-HowNet) 附加知識 (維基百科的文本資料)，擴大詞彙規模，打造一個百萬詞彙級別的中文知識圖譜。
透過加以組合或分解，用有限的概念表達無限的語意，使得機器可以更容易地進行邏輯推論。不僅可強化AI智能應用(如Chatbot) 對中文語意理解的能力，也可用於各種語意分析工具及中文或華語教學。已有多個產業單位接洽並導入應用。
機器學習、深度學習與資安隱私也是在人工智慧相關研究中的熱門關鍵字。現今有許多透過雲端使用的線上機器學習服務，但資料遭竊取事件頻傳，甚至有透過深度學習重建原圖進行的非法行為。由臺大吳沛遠教授團隊提出之生成對抗壓縮隱私網路，透過非線性技術處理圖片及影片，能夠保留動作識別所需特徵，但避免暴露影片中人物的身分。
該團隊也研發以多方安全計算技術應用於深度學習的圖像分類問題上，用以保護類神經網路，使外界無法得知透過哪些資料進行訓練。此技術適合應用於醫學影像、臉部辨識、虹膜辨識等機密檔案的相關工作。運用這些技術，一方面保有足夠資訊讓業者提供雲端服務，同時能維護使用者的隱私。
在醫療照護場次部分，有多項醫學影像的研究成果已實際導入醫療場域使用。如臺大張瑞峰教授團隊運用深度學習技術開發的全自動乳房超音波乳癌偵測與診斷系統，採用一次性檢查設計，1秒內即可完成一個全自動乳房超音波(300 張影像)的乳癌檢閱程序，較傳統方法大幅縮短閱片時間，並能精確定位乳癌位置及顯示區域並進行診斷，具有95%的正確度。
此外，乳癌診斷準確度亦達89.2%，已具有高度臨床價值。而臺大黃升龍教授團隊則透過結合深度卷積神經網路及三維細胞級斷層影像，可以即時分析活體細胞核的形貌及統計資訊、標註真皮表皮交界處、可將OCT影像轉換以模擬切片染色影像，協助病理診斷。由該團隊技轉所開發出之台灣原創高解析活體光學影像系統(ApolloVue S100)，具有極高的三維解析度，可即時呈現人體皮膚之完整表皮層及上真皮層結構，並結合智能影像導引快速切換橫切面或縱切面影像模式，已獲美國FDA 二類醫療器材以及台灣TFDA第二級醫療器材認證。相關電腦輔助偵測/診斷系統可以提供即時診斷參考，進而降低人為疏失，協助醫師提供即時且更精準的診斷。
上圖：黃升龍團隊以「高解析活體光學同調斷層掃描儀」獲頒第17屆國家新創獎。
臺大AI中心與轄下31個團隊執行科技部AI創新專案已四年，不論在學術研究、國際合作，與產業應用面都繳出亮眼成績，並致力於連結學研界人才、技術與實際產業應用，促成跨領域、跨單位、跨國際的多元合作。若您考慮導入AI技術、進行數位轉型、開發AI應用，或取得學研AI技術授權、尋求學研團隊合作，可以聯繫臺大AI中心。歡迎到臺大AI中心官網、照護子中心官網，進一步了解團隊的研究成果。
👉詳細請見此連結
轉載自：https://www.cw.com.tw/article/5119119
「在機器學習中，如何取得資料是第一個難關。為了建立台灣中文對話的情緒演算模型，團隊在五年前先透過戲劇系演員協助，演繹人們對話時的各種情境，再結合行為科學家的研究理論，輔助建立模型。」清華大學電機工程系副教授李祈均說道。
需借力戲劇系演員，是因國外雖多有情緒演算研究，但受限於個資問題，即便研究單位願意分享模型成果，在無法結合原始資料分析下，應用價值有限。而要從真實世界裡從頭累積華文世界的資料庫，又曠日廢時，因此才想到這個方法。
即便如此，李祈均教授的團隊仍耗費四年時間，在累積100多個小時的對話數據庫後，並整併行為科學理論才得以建構出有效中文情緒辨識模型。
「這個難關，直到近兩年Podcast盛行，才讓研究團隊思考能以比較短時間內，大量取得更多元的對話情境數據。」李祈均指出，以往做情緒演算模型時，往往只有一、兩萬句對話，頂多十幾個小時的資料量，但在國外最新以Podcast為數據來源的研究中，則以至少400小時為目標。
李祈均分享，目前團隊也和該研究機構合作，取材中文的Podcast節目，並整合自動語音辨識、語意分析處理、多模態融合、個人化模型的演算法，同步整合個體空間行為表徵學習，透過深度網路構建情緒辨識模組。
清華大學電機工程系副教授李祈均
而除了情緒演算外，要建構中文的超級AI客服，仍有賴於表徵學習（Representation Learning）的核心技術。
「在AI客服的應用上，無論輸入的資料是文字、語音、圖像或影片，都需將數據轉換成能被機器學習的向量與實數，而表徵學習就是在機器學習使用表徵的同時，也學習如何提取特徵的技術。」清華大學資訊工程系教授吳尚鴻說道。
就因表徵學習具備「學習如何學習」的能力，除了取代過去需仰賴專業人員、耗費大量時間手動提取特徵，並「輸入」數據的時間，應用在「輸出」時，更有助於開發出原生文字、原生圖片、原生語音、原生影片，為線上消費環境提供良好的使用者體驗。
清華大學資訊工程系教授吳尚鴻
但要建構中文世界的超級AI客服，要攻克的最大關卡，仍是語言這座巴別塔。畢竟，機器學習霸權的母語屬拼音系統，並透過程式編碼樹立高牆，中文世界的研究要後來追上，看似不易。
不過，這在研究自然語言處理（Natural Language Processing , NLP，或稱Computational Linguistics，CL）三十多年的臺大資訊工程系教授陳信希眼中，卻不是一件難事。
「不管是拼音組成的英文單字，或是象形文字的中文單字，要對電腦產生意義，都需要轉化成有意義的形式，也就是所謂的表徵。」陳信希分享，語言在電腦中的表現方式，從早期的（symbolic representation）、中期的分佈式表徵（distributional representation），演進到近年來在深度學習中廣為使用的分散式表徵（distributed representation），都需先把生活中的事物化為表徵，再透過不同方式運算。
更何況，從單字到句子，無論是中文或英文，只要能從名詞、動詞、形容詞和副詞組成的句型中，判斷出人事時地物，就能化成自然語言學所需的資料。
「尤其，深度學習的分散式表徵，使用低維度高稠密向量，以預測方式取代過去分佈式表徵的計數方式，大大提升了機器學習任務的效能，也讓自然語言學有了大幅躍進。」陳信希說道。
臺大資訊工程系特聘教授陳信希
在深度學習技術的推進下，也讓未來的AI客服有了全新想像。
「目前，除了線上翻譯、聊天機器人外，自然語言學也已應用在輿情分析、病歷探勘、金融科技、健康照護、法律諮詢、烹飪教學等領域，在加入深度學習後，未來潛力可期。」陳信希說道。
當研究團隊運用深度學習，在取得資料進行數據運算時，也讓學研界自省在一項技術研究初期，思考該技術發展後可能衍生的問題與爭議，並加以改善、防堵。
「當人們享受Google、Facebook帶來的便利時，伴隨大數據演算而來的大量廣告推播，也讓民眾的被監控感日益強烈，並衍生出資訊自主等議題。」吳尚鴻指出，在消費者對資訊安全日益重視後，杜絕平台收集個人資料的軟體也會應運而生，例如只要在手機裡下載某個App，就可防止平台收集你的資料。
「當資訊安全性與自主權獲得保障後，人們才可以安心沉浸在多媒體建構的虛擬世界中，藝術創作者也才能安心創作，不怕被侵權。」李祈均說道。
從以自然語言學，將人類語言轉換成電腦的語言，並透過深度學習，催生出多元的AI客服應用。未來的超級AI客服，除了是打開元宇宙的鑰匙之一，相關技術衍生的資訊安全問題，更是人們往返實體與虛擬世界中，最重要的心理安全閥。
詳細文章請見
啟動元宇宙的鑰匙：超級AI客服 https://www.cw.com.tw/article/5119119
