文／劉禹辰

在精準醫療（Precision Medicine）的發展進程中，如何整合分散且異質的醫療數據以提升預測準確率，一直是數據科學領域的熱門課題。

國立陽明交通大學資訊工程系曾新穆講座教授與其團隊，近期研發出一項應用於心衰竭病人再入院與死亡風險預測之「深度異質性多模態學習技術」，不僅在技術層面實現了多源數據的深度融合，更在實際臨床驗證中展現出優於傳統醫學方法的表現，連續榮獲2025未來科技獎及第32屆東元獎（電機/資訊/通訊科技類）之肯定，為台灣智慧醫療研究樹立新標竿。

技術核心：攻克醫療數據的「異質性」難題

  這項研究的根基源於曾新穆教授在數據探勘與巨量資料分析領域超過二十年的深耕，身為IEEE Fellow，曾教授早年在高效用探勘與高效率演算法上的貢獻，為處理龐雜醫療數據奠定了深厚的底層邏輯。

　　在此次針對心衰竭的研究中，團隊並非單純應用現有的醫療AI模型，而是針對臨床數據模態不一、資訊碎片化的特點，提出了一套全新的深度學習架構。這套架構的核心在於將病患的結構化病歷、時序性心電圖（EKG，源自德文Elektrokardiogramm）以及非結構化的胸腔X光影像進行深度整合，克服了過去單一數據源在預測複雜併發症時準確度不足的學術瓶頸。

研究貢獻：從理論演算法到臨床驗證 心衰竭風險預測的重大突破

心衰竭是高齡化社會中導致長者住院的主要原因之一，且具備極高的再入院率與死亡風險。曾教授與台北榮民總醫院鄭浩民醫師團隊合作研發的最新技術，便是為了突破傳統醫學預測的侷限。

在技術層面，該研究成功克服了異質數據間表徵不一致的難題。團隊開發出的異質表徵融合技術，能精準萃取不同臨床模態的深層特徵，並透過動態權重調整策略，在模型訓練過程中自動優化各類資訊的貢獻度。這種機制確保了模型在面對資訊缺失或數據不平衡的真實臨床情境時，仍能保有極高的穩定性。研究結果顯示，該集成式異質分類器堆疊技術在預測病患短期及長期之再入院與死亡風險上，受試者工作特徵AUC（Area Under the Curve，即曲線下面積）達到0.8以上，其效能顯著優於目前國際通用的傳統風險預測模型（如ADHERE或 GWTG）。

該研究亦強調研發成果落實於產業應用的科學價值。此項技術目前正於多家醫學中心進行驗證，能有效輔助醫師進行預後決策，並精確篩選高風險族群，進而提升慢性病照護品質並降低醫療資源成本。這不僅是技術的展示，更是曾教授長期推動「醫工結合」與「數位醫學」轉型的具體實踐。

展望未來：以科技守護每一個心跳

未來，曾新穆教授與團隊將持續整合生成式AI與LLM（Large Language Model，即大語言模型），開發更具可解釋性的智慧型早期預警技術，目標是讓 AI 像地震警報一樣，在危機發生前發出警訊，為病患爭取最關鍵的黃金時間。

此外，這類前瞻技術不僅將應用於心血管疾病、失智症等智慧醫療領域，未來更將延伸至環境監測與智慧製造等多元場域。透過整合政府資源與產學聯盟，曾教授旨在連結國際頂尖學研機構，建立大規模的國際合作專案與創新平台。這不僅是技術的研發，更是要建構一個具高產值與創造力的生態系統，從而強化台灣在智慧科技領域的全球影響力，讓科技研發真正轉化為推動社會發展與守護生命健康的核心動能。