亞洲大學自主開發可解釋醫療AI　讓電腦不只讀懂心電圖，更能說明判斷依據

(中央社訊息服務20260417 15:01:43)在國家科學及技術委員會控制學門計畫支持下，亞洲大學於醫療人工智慧領域再創重要突破。由校長蔡進發等資訊電機學院與醫學暨健康學院學者，跨域組成之研究團隊，自主提出並開發新型可解釋醫療AI模型「Rot-IIR-SSM」，研究成果已獲IEEE Transactions on Biomedical Engineering（IEEE TBME）正式接受刊登，相關技術亦同步提出專利申請，展現亞洲大學於智慧醫療核心技術的研發能量。

該研究聚焦於12導程心電圖之心肌梗塞判讀，不僅可精準辨識異常，更突破傳統AI「黑盒子」限制，使模型能明確指出其判讀依據的關鍵訊號頻段，提升醫療AI的透明度與可解釋性，朝向可被臨床信任與實際應用的方向邁進。

研究團隊指出，過往心電圖AI主要面臨三大挑戰：其一為缺乏可解釋性，醫師難以理解模型判讀依據；其二為運算與記憶體需求高，不利於行動醫療與即時應用；其三則為跨資料來源的穩定性仍待強化。本次創新突破在於將訊號處理中的「極點」與「頻率」概念融入AI架構，使模型不僅能輸出結果，更能清楚對應判斷所依據的頻帶特徵，實現「可理解的AI」。

在效能表現方面，Rot-IIR-SSM於外部資料測試中，在未經後處理下即達0.8306的F1分數，於心房顫動任務亦達0.8939，顯示其具備跨疾病應用潛力。進一步分析發現，模型於心肌梗塞判讀時，最關鍵訊號集中於10–20 Hz頻段，與心電圖中QRS波群變化高度相關，而40 Hz以上頻率影響則相對有限。此一結果顯示，AI已不僅止於「判斷正確」，更能回答「為何如此判斷」。

此外，本研究亦在邊緣AI應用上展現關鍵突破。Rot-IIR-SSM於即時推論時僅需約25KB狀態記憶體，遠低於傳統CNN與新型模型架構；其運算量亦大幅下降至約23K FLOPs，使系統得以在微控制器等低資源環境中運行。相關分析顯示，每次推論之資料傳輸量可由5.30MB降至422KB，大幅降低能耗與延遲，突破長期限制智慧裝置發展的「記憶體牆」，為穿戴式裝置、救護車即時判讀及偏鄉醫療帶來實質應用可能。

蔡進發校長表示，亞洲大學近年積極推動「AI大學」發展策略，從基礎研究、跨域整合到產業應用全面布局。此次成果不僅展現學校在醫療AI關鍵技術上的自主研發能力，更凸顯「可解釋AI」的重要發展方向。他指出，未來AI不應只是追求效能與速度，更需兼顧可信任性與社會責任，讓科技真正服務人類。亞洲大學將持續深化AI與醫療、半導體及智慧製造等領域的整合，培育跨域人才，打造具國際競爭力的AI創新生態系。

研究團隊強調，本成果不僅提升AI心電圖判讀能力，更重要的是讓AI決策過程逐步透明化，為智慧醫療建立信任基礎。未來將持續推進多類別心電圖分析、嵌入式硬體驗證與大規模臨床測試，期望促進台灣在可解釋醫療AI與智慧醫療裝置領域的國際領先地位。