【半導體應用】AI 醫療影像辨識與數據分析實務

講師：慈濟大學醫學資訊系李盛安教授

課程主旨

隨著智慧醫療成為半導體新興應用的重鎮，精準處理並分析醫療影像是關鍵競爭力。本課程由李盛安教授主講，帶領學員從基礎的 DICOM 標準與去識別化實務出發，掌握醫學影像特有的數位前處理技術。

課程深度解析 CNN 進階架構，特別是醫療影像分割之王 UNet 模型，並探討如何透過放射組學（Radiomics）與多模態數據分析，將影像特徵與臨床電子病歷結合。此外，針對醫療場景嚴苛的準確度要求，課程將實作可解釋性 AI（Grad-CAM）與臨床工作流整合，協助學員建構符合醫療軟體工程規範的輔助診斷系統，縮短晶片端與臨床端應用間的距離。

學習目標

• 精通醫療影像標準： 掌握 DICOM 協議、影像元數據處理及醫療等級的數位圖像增強技術。
• 開發臨床影像模型： 具備開發基於 CNN 與 UNet 架構的病灶自動標記、分割與目標偵測模型能力。
• 多模態數據整合： 學習放射組學特徵提取技術，並實現影像數據與臨床病歷（EHR）的關聯性分析。
• 實現 AI 可解釋性： 掌握 Grad-CAM 熱圖分析與臨床評估指標，優化 AI 輔助診斷系統的可信任度。

適合對象

• 影像處理與演算法工程師： 欲從一般視覺領域跨足高度專業的醫療影像辨識與病灶分析者。
• 醫療電子與系統整合工程師： 負責開發醫療顯示、醫學感測或行動診斷裝置之軟硬體整合者。
• AI 加速器與數位晶片設計人員： 需理解醫療影像複雜算法（如 UNet）以優化硬體算力分配者。
• 生醫資通訊研發經理： 欲了解臨床診斷工作流，並評估 AI 醫療軟體開發流程與驗證機制者。

課程規劃

第一日課程：醫療影像基礎與深度學習實戰

當日學習主軸： 掌握醫療影像標準並實作 AI 病灶自動偵測技術

第二日課程：數據整合分析與臨床決策支持

當日學習主軸： 多模態數據整合與可解釋性 AI 之臨床驗證