研究方向 circle image

研究方向

以AI作為發現新醫學知識的工具

 傳統醫學研究多由既有假說出發，先決定要尋找什麼疾病，再設計檢查或模型；我與團隊則嘗試反向探索：系統性配對長期電子病歷中的心電圖、胸部X光、實驗室數據、影像檢查與臨床結果，找出目前醫學知識尚未建立的「檢查—疾病」關聯。這讓AI不只是自動化已知判讀，而更像一部新的數位顯微鏡，能在常規資料中辨識人眼無法直接看見的潛在生理狀態。
目前，單次十二導程心電圖可反映逾50種生理與疾病表型，包括血鉀異常、心臟功能、心肺狀態與短期死亡風險；AI胸部X光平台則可辨識逾40種表型，並將原本為其他臨床目的拍攝的影像，重新用於骨質疏鬆等疾病的伺機性篩檢。這項工作的價值不是讓AI重複醫師已經會做的事，而是讓一份既有檢查回答過去未曾被提出、也無法由傳統判讀直接回答的臨床問題，進而形成新的數位生物標記與可驗證的醫學假說。

Selected references:
  1. Lin C, Chen KC, Huang JW, Fang WH, Chang WC, Ko KH, Hsu YC, Lin CS, Lin SH, Tsai DJ* (2026, Jul) Transparent chest radiograph foundation model enables explainable human disease profiling. npj Digital Medicine, 9(1):674. [PDF]
  2. Lin CS, Liu WT, Chen YH, Lin SH, Lin C* (2026, Jan) Artificial intelligence-enabled electrocardiography from scientific research to clinical application. EMBO Molecular Medicine, 18(1):22-40. [PDF]
  3. Lin C, Chau T, Lin CS, Shang HS, Fang WH, Lee DJ, Lee CC, Tsai SH, Wang CH, Lin SH* (2022, Jan) Point-of-care artificial intelligence-enabled ECG for dyskalemia: a retrospective cohort analysis for accuracy and outcome prediction. npj Digital Medicine, 5(1):8. [PDF]

透過臨床試驗建立AI的真實世界影響力

 新的訊號只有在改變照護時才具有臨床意義。模型準確度、法規核准或系統上線，都不能單獨證明AI能改善病人結果。我主張AI的臨床證據單位應是完整的「適用情境—行動路徑」：哪些人應接受分析、在何時分析、哪一個訊號或門檻值得注意、結果如何被傳遞與解讀，以及警示後應採取什麼預先定義的行動。AI通常只是啟動診斷或風險分層的元件；真正需要接受驗證的介入，是它所引發的後續臨床反應。換言之，臨床問題不應只問「這個模型準不準」，而應問「由這個AI所啟動的照護路徑，能否改善病人結果」。
為此，我與團隊建立了超過5萬名參與者的數位臨床試驗基礎設施，已完成或正在進行超過10項在真實照護流程中執行的務實型AI隨機臨床試驗。我們證明，嵌入醫療資訊系統的AI心電圖警示可降低90天全因死亡風險、加速急性心肌梗塞再灌流處置，並促進血鉀異常病人更早接受治療。另一方面，OPSCAN試驗利用既有胸部X光辨識骨質疏鬆高風險者，再銜接DXA確認檢查，顯著提高新診斷與治療啟動率。這些研究建立了從「潛在訊號—臨床警示—醫療行動—病人結果」的因果證據鏈。
這也重新界定了AI在醫療體系中的角色：它不是取代醫師，而是成為醫療系統的第二層疾病識別安全網。透過重新分析已經存在於電子病歷中的資料，AI可以找出現行流程未能及時辨識的病人，提醒醫療團隊重新評估，並將病人導入適當的確認檢查與治療路徑。

Selected references:
  1. Lin CS, Liu WT, Tsai DJ, Lou YS, Chang CH, Lee CC, Fang WH, Wang CC, Chen YY, Lin WS, Cheng CC, Lee CC, Wang CH, Tsai CS, Lin SH, Lin C* (2024, May) AI-enabled electrocardiography alert intervention and all-cause mortality: a pragmatic randomized clinical trial. Nature Medicine, 30(5):1461-1470. [PDF]
  2. Lin C, Liu WT, Chang CH, Lee CC, Hsing SC, Fang WH, Tsai DJ, Chen KC, Lee CH, Cheng CC, Hung YJ, Lin SH, Tsai CS, Lin CS* (2024, Jun) Artificial Intelligence–Powered Rapid Identification of ST-Elevation Myocardial Infarction via Electrocardiogram (ARISE) — A Pragmatic Randomized Controlled Trial. NEJM AI, 1(7):AIoa2400190. [PDF]
  3. Lin C, Tsai DJ, Wang CC, Chao YP, Huang JW, Lin CS, Fang WH* (2024, Jun) Osteoporotic Precise Screening Using Chest Radiography and Artificial Neural Network: The OPSCAN Randomized Controlled Trial. Radiology, 311(3):e231937. [PDF]
  4. Lin C, Lin CS, Chen SJ, Tsai SH, Sung CC, Chen CC, Hsu YJ, Hung YJ, Lin SH* (2026, Jan) AI-enabled Electrocardiogram Alert for Potassium Imbalance Treatment: A Pragmatic Randomized Controlled Trial. Nature Communications, 17:159. [PDF]

將醫院等級的診斷能力帶入社區和居家環境

 臨床AI轉譯的最後一步，是把經過驗證的能力帶離醫學中心。AI心電圖平台完成技術移轉、TFDA核准與美國FDA突破性醫材認定後，已部署於超過20家醫院、緊急醫療體系與60餘處衛生所，並為超過2萬名偏鄉及醫療資源不足地區居民提供心血管篩檢。
居家照護則提出更困難的方法學問題。我們已蒐集並串聯超過5萬筆Apple Watch與QOCA單導程心電圖及其電子病歷資料，發展可估計死亡風險、心臟射出分率、NT-proBNP、肺動脈壓、血鉀與血紅素等指標的模型。
但把醫院模型帶到家中，並不只是把十二導程心電圖縮成單導程。不同裝置、量測姿勢、訊號品質與使用情境，都可能造成場域轉移與模型性能下降。因此，我們同時建立裝置別驗證、性能校正與模型調適方法，並將異常結果連結回確認檢查與治療路徑。目標不是製造孤立的消費型診斷，而是讓低成本居家感測成為正式醫療體系安全、可持續使用的入口。。

Selected references:
  1. Lin C, Liu WT, Chen KC, Tsai DJ, Chang DW, Tsai TN, Cheng CC, Lin CY, Chen YH, Tsai CS, Lin SH, Lin CS* (2026, Jul) Bridging the gap from clinical to home ECG: quantifying and overcoming accuracy loss in AI-enabled single-lead ECG models. npj Digital Medicine, 9(1):510. [PDF]