研究主題
AI 預測模型與疾病關聯性研究
人工智能 (AI) 模型已被應用於疾病預防、風險評估、病程預測和疾病機制探討等研究。常用於AI預測疾病的演算法和分類方法包含有邏輯回歸、多層感知器、決策樹、隨機森林、KNN、BN、粒子群優化 (PSO) 等算法。這些模型需要準確的臨床參數從而精準定義風險因子或預測因子，可更好的研究疾病逆轉的階段、疾病干預的時機、類型及頻率等，並從中篩選出新的參數。
檢測技術平台開發
生物晶片的材料規格或本身的偵測極限可能會限制檢測的效能，我們利用奈米金屬導體材料與磁性奈米化合物開發高靈敏度的檢測晶片或探針，應用於多標的生物標誌物檢測，並建立AI模型評估多種血液預測生物標誌物的組合，輔助辨識疾的發展進程或風險預測，為患者分流或疾病風險分級提供參考基準。
AI 影像辨識
眼科醫學影像的診斷已廣泛應用於糖尿病視網膜病變，輔助醫事人員更有效地識別黃斑部位的水腫、出血或其他病徵。然而對血糖控制不佳的患者來說，飲食、基因組、腸道微生物群、胰島素抗性、社會環境等因素都可能影響病程的發展。因此飲食管理受到越來越多的重視，精準營養近年來更成為疾病預防及臨床干預的重要手段，伴隨深度學習技術在影像辨識上的優勢，我們透過現有的圖像資料集建立State-Of-The-Art (SOTA) 卷積神經網絡模型 (CNN)，將殘差學習框架整合到新的CNN模型中, 結合影像辨識與食譜和營養數據，更有效的發揮模型應用的潛力。
人因工程
在醫療產品設計開發過程中應考量到一般使用者、專業使用者、維護者、病患的多面向角度之人因特性，以增強醫療器材的整體易用性。可用性評估需將資料來源可能包括人類生理與認知上的能力、限制與習性等參數, 再轉換成可用性工程的需求參數，進而影響產品的設計。人因工程實驗設計或模擬實驗可系統性評估產品的效能, 分析使用錯誤或是設計不良的態樣，降低使用危害及臨床上的不良事件發生率, 從而改善醫材產品的設計或提高臨床治療的有效性。