DSpace community: 理學院

應用於智慧醫療的高維資料統計與多模態人工智慧建模研究-基於 γ-SUP 方法的深度分群;Deep Clustering Based on Gamma-Sup Method

Mon, 27 Jul 2026 07:44:59 GMT

title: 應用於智慧醫療的高維資料統計與多模態人工智慧建模研究-基於 γ-SUP 方法的深度分群;Deep Clustering Based on Gamma-Sup Method abstract: 本計畫之主要目的在於發展兼具高效能與可解釋性的統計與人工智慧方法，以回應高維、多模態醫療資料分析在智慧醫療發展中所面臨的核心挑戰。透過結合深度學習、貝葉斯統計、變數選擇與降維理論，本計畫將擴充既有 Gamma-SUP 分群方法，使其能同時處理多模態資料、辨識關鍵影響變數，並提供具理論基礎的降維機制，進而提升模型在實務應用中的透明度與可信度。此一研究方向不僅補足現有人工智慧模型在可解釋性上的不足，亦回應近年來可解釋人工智慧（Explainable AI）在醫療領域的迫切需求。在社會影響層面，本計畫有助於提升智慧醫療系統對臨床決策的支持能力，使醫師能更清楚理解模型所依據的關鍵變數與分群結果，進而增進醫療決策的安全性與可接受性，對公共健康與醫療品質具有正向影響。在經濟與產業發展層面，所提出之方法可應用於醫療影像、臨床數據與多源生醫資料分析，有助於降低高維資料處理的計算成本與能源消耗，並提升人工智慧模型在產業落地時的可信度與法規適應性，進而促進智慧醫療、精準醫療與醫療科技產業的發展。此外，本計畫所建立之統計建模與分析框架，亦可延伸應用至其他高維資料領域，對資料科學相關產業與人才培育具有長期且深遠的影響。

廣義有限失效母體之貝氏可靠度推論;Bayesian Reliability Inference for the Generalized Limited Failure Populations

Mon, 27 Jul 2026 07:44:44 GMT

title: 廣義有限失效母體之貝氏可靠度推論;Bayesian Reliability Inference for the Generalized Limited Failure Populations abstract: In this study, we develop a hierarchical Bayesian GLFP framework based on log-normal lifetime distributions to accommodate population heterogeneity. By introducing latent variables through data augmentation, the complete likelihood exhibits conjugacy, enabling a more efficient Markov chain Monte Carlo (MCMC) procedure. The posterior samples of the latent variables naturally allow predictions of failure modes and defect status for individual devices. An application to a subset of hard-drive failure data from the Backblaze company, hopefully, can further illustrate the practicality and feasibility of the proposed method.

區間設限下評估預測準確度之半參數 Brier Score 架構研究;Semiparametric Brier Score Framework for Evaluating Prediction Accuracy under Interval Censoring

Mon, 27 Jul 2026 07:44:17 GMT

title: 區間設限下評估預測準確度之半參數 Brier Score 架構研究;Semiparametric Brier Score Framework for Evaluating Prediction Accuracy under Interval Censoring abstract: 1. 社會與臨床醫療面 (Social & Clinical Impact) • 優化個體化醫療決策：透過精確評估預後模型（如愛滋病發病預測）的準確性，協助醫師與患者制定更精準的治療方針（例如 HAART 療法的啟動時機），進而提升病患的長期存活率與生活品質。 • 公共衛生效益：以台灣愛滋病隊列資料（Taiwan AIDS cohort）進行驗證，能直接為本土重大傳染病管理提供科學實證基礎，協助優化公衛追蹤資源的配置。 2. 經濟與產業發展面 (Economic & Industrial Impact) • 降低新藥與醫材開發成本：在藥物研發過程中，精準的預測評估能減少無效治療的開發投入。本計畫提供的方法可精確量化生物標記（如 CD4 計數）的預測價值，協助藥廠縮短臨床試驗的評估週期。 • 提升健康產業競爭力：精確的風險預測模型是現代「精準醫療」產業的核心。本計畫產出的軟體工具與評估架構，可作為醫療人工智慧（AI）與保險精算產業優化預測算法的標準化基準

區間時間序列分析：線上結構改變偵測與多個改變點估計;Interval-Based Time Series Analysis: Detecting Structural Shifts and Multiple Change-Points Estimation

Mon, 27 Jul 2026 07:43:46 GMT

title: 區間時間序列分析：線上結構改變偵測與多個改變點估計;Interval-Based Time Series Analysis: Detecting Structural Shifts and Multiple Change-Points Estimation abstract: 結構改變偵測問題在實際應用上是一個非常重要的課題，例如在金融領域中，投資組合或是避險的問題都需要及時根據市場結構最調整。或是在工業製程中，利用線上改變點監測來確保良率的ㄧ致性也是需要研究的課題。因此，在此計畫中，我們提出應用隨機過程的模型以及偵測多個改變點與線上改變點的演算法來偵測或是估計多個改變點，並且利用精確度與準確度來評估方法表現。希冀提出的方法可以廣泛的在實際問題上應用。