臨床 AI 的應用其實比想像中還要多，也出現在各種不同型態的醫療資料與臨床情境之中。一路發展到現在，臨床 AI 技術已經相當成熟，不論是在提升診斷準確度（Accuracy），或是在保護使用者隱私（User Privacy Protection）方面。在準確度（Accuracy）提升上，我們實驗室過去有做過這五種應用的研究：

• 聽診器應用（呼吸音與心音異常偵測）：
  "Improving the Robustness and Clinical Applicability of Automatic Respiratory Sound Classification"
  "Valve Token Masked Autoencoder for Missing Recordings on Cardiac Abnormality Classification"
• 就診紀錄分析（肺癌與中風預測）：
  "Lung Cancer Prediction using Electronic Claims Records: A Transformer-based Approach"
  "Development of an intelligent decision support system for ischemic stroke risk assessment"
• 流式細胞儀資料處理（血液惡性腫瘤分類）：
  "A Chunking-for-Pooling Strategy for Cytometric Representation Learning"
  "Clinically validated machine learning algorithm for detecting residual diseases with flow cytometry"
• 醫療影像診斷（ADHD 分類）：
  "Conditional Domain Adversarial Transfer for Robust Cross-Site ADHD Classification"
  "Learning a Phenotypic-Attribute Attentional Brain Connectivity Embedding for ADHD Classification"
• 語音社交評估（自閉症篩檢）：
  "SocialRecNet: A Multimodal LLM-Based Framework for Assessing Social Reciprocity in ASD"

當臨床 AI 的應用越來越多時，另一個重要的問題也跟著出現：如何在使用醫療資料的同時，保護使用者的隱私，不讓使用者的個人資料被濫用或外洩。也就是說，除了模型本身表現好不好，使用者隱私保護（User Privacy Protection）也很重要。在研究使用者隱私保護（User Privacy Protection）時，我們實驗室主要用了聯邦式學習（Federated Learning）這個方法。簡單來說，聯邦式學習讓模型直接到各個資料的地方學習規律，而不用把資料集中起來。這樣一來，模型可以抓到資料的特徵，但個人資料不會被搬走或分享，自然就保護了隱私。我們實驗室就是透過聯邦式學習（Federated Learning），來研究在不同臨床情境下，如何兼顧模型表現和使用者隱私，相關研究可以參考下面這三篇論文：

"Federated Learning via Conditional Mutual Learning for Alzheimer’s Disease Classification"
"In-the-Wild Physiological-based Stress Detection Using Federated Strategy"
"Personalized Federated Learning with Fuzzy Clustering for Dysarthric Speech Recognition"

在模型已經很準確、隱私也被好好保護之後，真正的挑戰才剛開始，那就是「可靠性」（Reliability）。李祈均老師在演講中提到，AI 的可靠性其實可以從兩個面向來理解：一個是「系統強健性」（System Robustness），另一個是「使用者信任」（User Trust）。「系統強健性」（System Robustness）是在說系統在不同醫院、不同設備、甚至不同資料條件下，能不能維持一致而且穩定的表現，確保整個運作流程不會因為一點改變就出問題。「使用者信任」（User Trust）指的是 AI 不只給一個是或不是的結果，而是讓使用者知道更多判斷背後的資訊，讓使用者更能理解模型的判斷，也更能相信它的結果。

在醫療 AI 的實際應用中，很常會遇到一個問題：同一套模型，放在不同醫院、不同臨床環境下，表現卻不一定一樣。不同的設備型號、量測方式，甚至各院的操作流程，都可能讓模型接收到的資料長得不一樣。對 AI 來說，這些看似細微的差異，很容易影響判斷結果。跨場域系統強健性（Cross-site System Robustness），講的就是模型能不能在這些不同情境下，依然維持一致、穩定的表現，而不是只在特定場域特別準。針對這個問題，我們實驗室研究出「Instrument-Aware」的學習方法，讓模型在訓練過程中分辨哪些特徵真的和疾病有關，哪些只是來自不同儀器或設備造成的差異，使系統在不同醫療機構之間切換時，仍能保持穩定的表現。

｜相關論文連結：
Instrument-Aware Representation Learning for Robust Cross-Site Flow Cytometry Integration

一個臨床 AI 系統其實不是單一模型在運作，而是由很多「小組件」串起來完成判斷。像是前面先做影像分割，接著再進行分類，只要其中一個環節不穩定，後面的結果就很容易跟著失準。這也是為什麼 Component-wise Robustness 很重要！在這部分，我們實驗室的做法是直接針對容易出問題的環節下手，透過像是 Mask Augmentation 的技術，讓模型在訓練時就先遇過資訊不完整或影像受損的狀況，學會怎麼應對。當每個小組件都更穩定，整個 AI 系統在實際臨床使用時，表現自然也就更可靠。

｜相關論文連結：
Mask Augmentation For Tumor Classification In Medical Images

現在，我們正在推動一場從「答案導向」到「信心導向」的轉型。意思是，AI 不只告訴你「是或不是」，而是會說清楚它有多確定。這是我們實驗室正在進行的研究方向之一，透過貝式建模（Bayesian modelling），讓 AI 在給出診斷結果的同時，也能標註它的信心程度。例如，AI 會告訴醫師：「我覺得有 85% 的機率是肺炎，但因為這張影像有點模糊，我的不確定性來自於雜訊干擾。」有了這種透明的信心資訊，醫師就能更安心地判斷，哪些結果可以參考、哪些需要再多看一眼。

｜相關論文連結：
Bayesian modelling for enhanced uncertainty, consistency, and calibration

這場在新加坡 A*STAR 的演講中，李祈均老師為我們描繪了臨床 AI 的未來藍圖。當準確度（Accuracy）已經成為基本功，真正的技術壁壘將建立在系統的可靠性（Reliability）之上。從環境適應力（Cross-site Robustness）、環節穩定度（Component-wise Robustness）到醫師的信任建立（User Trust），這些都是臨床 AI 能否從實驗室走進診間、真正造福病患的關鍵指標。我們也期待透過持續的研發，讓 AI 成為醫療前線最堅實、最可靠的後盾。