10 週課程
課程大綱
三軌並行，同班學習。每條軌共享相同的臨床案例與核心模組，但深度、工具與繳交物依背景量身定制。
三軌一體的學習系統
不是三門獨立的課——而是一個統一的醫療 AI 學習系統，有三個入口。A 軌饋入 B，B 饋入 C，C 的治理約束反過來成為 A/B 的設計邊界。
A 軌——AI 原理
程式先行
- 學員: 預醫、資工、理工學生、技術學習者
- 焦點: 用 Colab、PyTorch 和 Claude Code 實作醫療資料集的 ML/DL
- 結業專題: 建構並評估一個臨床 AI 模型或多智能體工作流
工具
B 軌——臨床應用
評估與應用
- 學員: 醫學生、住院醫師、護理師、藥師、研究人員
- 焦點: AI 評估、論文批判、部署準備度評估
- 結業專題: 臨床效用備忘錄、論文批判或部署建議
工具
C 軌——主管與導入
決策與部署
- 學員: 科主任、創新團隊、CMO/CIO、臨床領導者
- 焦點: AI 治理、採購、ROI 建模、組織導入
- 結業專題: 董事會級 AI 策略簡報含供應商評估與治理計畫
工具
每週節奏
每週固定結構——案例先行、原理驅動、論文支撐、討論收束。
臨床案例開場
AI 原理深入探討
臨床應用與使用限制
論文導讀（最新研究）
雙軌分組討論
10 週教學大綱
醫療 AI：歷史、炒作與問題建構
A 軌：建構
AI 流程：符號 → ML → DL → LLM → 智能體
B 軌：評估
臨床使用邊界、炒作 vs 現實評估
C 軌：部署
主管 AI 全景圖、成功/失敗案例地圖
資料、標籤與評估指標
A 軌：建構
訓練/驗證/測試、過擬合、Colab 閾值分析
B 軌：評估
論文批判：為什麼準確率在臨床場景會誤導
C 軌：部署
SOTA 供應商生態、採購評估標準
經典 ML 與臨床資料
A 軌：建構
邏輯迴歸、XGBoost、用 Claude Code 建基線模型
B 軌：評估
敗血症/惡化預測、臨床可操作性
C 軌：部署
工作流整合、AI 插入的流程再造
醫學影像深度學習
A 軌：建構
CNN、遷移學習、混淆矩陣分析
B 軌：評估
閱讀者研究、偽陽性成本、影像 AI 採用
C 軌：部署
試點 KPI：準確度 vs 效用、安全與營運指標
NLP、Transformer 與臨床文本
A 軌：建構
嵌入、注意力、臨床病歷摘要
B 軌：評估
安全輔助 vs 不安全自主 LLM 使用
C 軌：部署
法規（FDA SaMD、HIPAA、歐盟 AI 法）、治理檢查表
LLM、提示詞工程與醫療 RAG
A 軌：建構
用 Claude Code 建醫學文獻 QA/RAG 原型
B 軌：評估
用自然語言撰寫原型規格、評估量表
C 軌：部署
財務建模、ROI 計算器工作坊、隱藏成本
智能體與多智能體系統
A 軌：建構
OpenClaw 多智能體示範（資料/訓練/報告智能體）
B 軌：評估
AI 輔助同儑審查、研究工作流自動化
C 軌：部署
LLM 供應商評估、基準測試 vs 企業準備度
多模態 AI 與精準醫學
A 軌：建構
多模態融合、基因體、藥物再利用架構
B 軌：評估
將法規/倫理檢查表應用於原型
C 軌：部署
醫院自動化智能體工作流、核准備忘錄
負責任 AI 與臨床轉譯
A 軌：建構
模型卡、錯誤分析、部署風險評估
B 軌：評估
一頁實施提案、試點計畫
C 軌：部署
變革管理、90 天試點路線圖、監控計畫
結業專題：成果展示日
A 軌：建構
最終建構：筆記本 + 評估 + 風險節
B 軌：評估
完整論文批判或 AI 工具部署建議
C 軌：部署
董事會級 AI 策略簡報 + 決策備忘錄
錨點案例
三條軌從不同角度反覆探討這些臨床錨點——建立跨學科的共同語言。
CXR / 放射科 AI
從 CNN 架構到閱讀者研究、工作流整合、採購評估。
EHR / 臨床病歷摘要
從 Transformer 嵌入到幻覺風險、文件支援、供應商評估。
敗血症 / 惡化預測
從風險評分建模到閾值設定、臨床效用、部署監控。
評量方式
我們不考誰最會背 AI 術語。我們評估誰能定義問題、將模型對應任務、評估證據、判斷臨床安全。