60歲的黃先生因中風住進醫院，在加護病房躺了兩周之後，突然病情急轉直下，經過搶救之後，才幸運撿回一命。事實上，在AI病危預警技術的輔助下，讓醫院能在病患心臟停止前的6-8小時，發現徵象並採取及時、準確的醫療措施，可大大降低病患院內死亡的機率。 病情的惡化是一個隨時間演進的過程，其細微推移變化絕非無脈絡可循。過往的研究報告顯示，發生非預期性院內心跳停止的住院病人中，約有六至七成在其心臟停止前6到8小時前已有徵象，但是卻僅有四分之一被臨床人員所偵知發覺，因此需要一種能更早期、並持續使用風險預警工具或系統監測病情，隨時警示醫護人員注意患者病情的細微變化，在病情進展前採取及時、準確的干預措施，有效減少不良事件或嚴重不良事件的發生風險。 非預期性病情惡化 無法及早偵測 急重症患者常出現不可預測的變化，及時發現或能預測潛在急重症患者為重要的課題。目前臨床常用的評估方式為Modified Early Warning Score MEWS，利用簡單的生理參數評估 包含心跳、呼吸速率、收縮壓、體溫、排尿量及意識狀態篩選出高危險群病人，已經證實可以預測病人的臨床預後。 MEWS為單一時間點且制式化公式的評分機制，然而，博鑫醫電所研發的 AI病危預警-醫院急重症病危提早預警指標系統EWS，係以即時反應預測病人狀態為目的，收集病患的連續性時間之生理資料進行深度學習，找出最佳預測模型，提高整體準確度。 博鑫醫電以大數據分析模型建置早期警訊系統EWS、IoT物聯網及5G通信技術，讓醫護人員透過通訊設備遠距離監控病患的生理狀況，監控急重症快速的病情變化，能掌握心臟停止前的6-8小時黃金搶救期。 博鑫醫電導入AI視覺判讀之後，無人化操作方式可大大降低醫護人力 博鑫醫電開發之AI技術為梯度提升集成學習系統 Gradient Boosting Ensemble Learning System, GBELS 建置早期預警系統，為該公司開發之具有學習型之EWS預測演算法，屬於集成學習 Ensemble Learning的一環，且歸類於監督式學習，提供以下三項功能： 一、早期警訊風險通知，以將具有代表性的數據，以GBELS進行分析，提供早期風險評分，讓醫護人員可即時進行臨床評估及提供適當醫療處置。 二、降低醫護人力：收集連續性生理監護數據，如心跳、呼吸、血壓及血氧濃度等，降低醫護人員書寫病例時間。 三、結合IOT物流網及5G通信技術，快速傳輸監護參數和影像資料等醫療數據，協助醫護人員透過通訊設備，遠距離監控患者的病情變化。 AI病危系統監測 掌握黃金治療期 博鑫醫電表示，急重症患者評估疾病嚴重程度是一項複雜工作，患者經常出現不可預測的變化。臨床醫護人員對病情判斷經常根據自己臨床經驗或直覺，缺乏科學、客觀，導致無法正確識別、及時發現潛在急重症患者，導致或誤診導致病患院內死亡率增加。 導入AI早期病危預警系統可輔助急重症的醫護人員正確的預判患者病情，更能讓患者即時受到需要的照料，藉此可以減少同時間急重症病房的人力安排並降低人力成本。 此外，易於攜帶的設計更有助於日後將系統導入救護車、居家照護等場所，對於急診患者可以更早得到適當的照料。院內的其他科別也可以在這套系統周邊開發新的應用，可有效加速智慧醫療技術的發展及推廣；以時下新冠疫情仍然肆虐全球多國的情況，此一系統也可以協助各地醫院更有效地照顧及監控重症患者的病情。 除了AI病危預警外，博鑫醫電也研發AI影像判讀-醫療生理監視器生命週期合規檢測AVS，也就是以AI影像判讀技術，發展生命支持類醫療器材之自動化品質檢測儀器，解決醫療儀器檢測耗時問題，可降低70的檢測時間，提高3倍的檢測數量、有效降低50的人力成本，同時100合乎法規要求，逐步解決醫療領域人力不足、醫療資源短缺、醫護工作超載等問題。目前已於中國大陸扎根，積極在歐洲為落地做準備，未來將朝日本及美國市場發展。 博鑫醫電研發AI影像判讀-醫療生理監視器生命週期合規檢測AVS，解決醫療儀器檢測耗時問題，可降低70的檢測時間。 現階段博鑫醫電的智慧醫療技術已導入包括新竹馬偕、彰基、東元綜合醫院、高雄工學大學附設醫院、振新醫院、新泰醫院、台北醫學大學附設醫院等醫療院所；國際知名醫材製造商GE HealthcareInc、中國最大醫材製造商邁瑞醫療，皆為博鑫醫電代表性客戶。

2017年，iPhone X的亮相讓提供 Face ID人臉解鎖的3D感測技術成為大熱門，也帶動了3D感測模組中的核心零元件VCSEL的發展。而VCSEL封裝元件入料瑕疵檢測，若透過AI推論模型可解決良率偏低產業難題，提升可靠度達95。 VCSEL技術現階段可被運用於諸多用途和各類終端消費市場，包括機器人、移動設備、監控、無人機，以及ARVR等。VCSEL在需求高速調製功能的應用（例如照相機和生物計量）中堪稱為不錯的解決方案。 VCSEL技術應用層面廣，也可應用於無人機。圖為佐翼科技農用無人機 VCSEL技術應用層面廣 AI技術助攻瑕疵檢測 赫銳特科技表示，VCSEL封裝元件市場也面臨到商業對手強力的削價競爭，需要進一步降低成本提升、產品競爭力，其中一個關鍵的難題就是將玻璃透鏡更換為環氧樹脂型透鏡。傳統玻璃透鏡的生產良率高，但成本較環氧樹脂透鏡高，因環氧樹脂經切割製程，側壁切割道上容易會有毛邊，造成尺寸過大，容易在打件時因為受熱而產生的應力釋放，將會直接導致光學透鏡破裂。 赫銳特科技指出，VCSEL環氧樹脂透鏡的入料檢測十分重要，在封裝空間的限制下，封裝與光學透鏡貼合的空間有限，且此光學透鏡會被侷限於一金屬框架內，若是沒有控管好尺寸公差，很容易在打件時因為受熱而產生的應力釋放會直接導致光學透鏡破裂，造成VCSEL封裝可靠度驗證良率損失最高達到10，造成生產成本增加。 為解決上述問題，赫銳特科技希望在VCSEL環氧樹脂透鏡的入料階段，可以藉由AI影像監控環氧樹脂元件的尺寸及外觀瑕疵，確認其尺寸是否合乎規格、切割邊緣是否平整、外觀是否瑕疵等。由於傳統的入料檢測，經通過大略的人眼目檢分辨好壞，為順利收集影像數據，首先需要解決影像蒐集的問題。 因此，赫銳特科技首先建立自動光學檢測裝置Automated Optical Inspection，AOI，自動光學檢測裝置包含X、Y、Z三軸動及高解析相機，及相關控制軟體自動記錄影像。蒐集完成後的影像資料，經opencv將測試影像Test與一標準正常影像Normal，進行影像對位後取出Test與Normal影像的差異部分，並可經由Pixel Mapping計算影像的像素面積進行比較完成初步篩檢。 承上之影像分類，進行手動標籤標示包含：正常、外觀瑕疵或形狀特徵差異之樣品，後進行演算法訓練與驗證，使用深度殘差網絡Residual neural network ResNet或其他相關演算法進行深度學習，以辨識出透鏡的優劣情形。 導入AOI檢測 提升產能效率達20以上 比較導入AI影像檢測的前後差異，導入前的VCSEL入料透鏡檢測，僅透過簡易的人工外觀檢測，將透鏡封裝在已固晶的VCSEL封裝體上，通過一般點亮檢測後，最後進行可靠度測試高溫回焊，失效樣品進再入重工流程。 但在導入AOI檢測之後，可提前將有問題的透鏡篩選出來，除了可以降低後續物料投入的成本，亦可減少失效情形降低重工的需要，因而提升可靠度驗證良率達95以上，預期可協助場域業者降低生產成本達10，提高產能效率達20以上。 導入AI影像檢測的前後之差異 赫銳特科技指出，這項技術是基於微小影像開發的AI應用技術，透過深度學習演算法辨識影像瑕疵，用來辨識瑕疵影像。而訓練後的網路來自動分類對應於預定類別的影像數據。透過參考影像就能辨識缺陷類別，因此不再需要繁瑣的編程。 而在工業機器視覺環境中，深度學習主要用於應用中的分類任務，例如在工業產品的檢驗或零件的辨識，未來隨著IOT穿戴裝置的發展，符合節能省電的潮流議題，光電元件尺寸將不斷的縮小，本技術未來也可應用在其他微小光電元件的外觀瑕疵檢測。

傳統物流公司加上AI技術之後，在運送效率提升及運輸成本下降等效益大大提升，尤其是醫材轉運更涉及醫院及病患的服務時效及權益，透過智慧物流的建置，可為醫材業者節省投入建構GDP倉、配多達千萬元之成本。 國內重要物流領導廠商-新竹物流HCT擁有3,500輛車隊、6萬坪倉儲，提供物流、商流、金流、資訊流、流通、倉儲、加工之客製化物流解決方案。每日貨件處理件數達58萬件，最大處理能力每日可達90萬件，轉運效能的提升對於新竹物流而言，至關重要。 醫院醫材運送 需優化現有作業流程與提升系統化、智慧化 尤其是醫院醫材的運送，也面臨到難題。醫材業者需要針對客戶不同產品需求、不同溫層需求、不同配送時效等因素，透過多家物流業者進行出貨與物流作業，高度依賴作業人員的經驗與細心管制，無論是產品出貨過程與實際物流配送過程，需要環環相扣，若有任何人工失誤與錯誤，都會影響醫院與病患的服務時效與權益，因此各家業者與政府及醫院等，都致力於優化現有作業流程與提升系統化、自動化與智慧化程度，以有效降低服務過程中造成的失誤及成本損失。 新竹物流導入AI之前的配送流程。 現行在醫院需求端已有相關業者配合政府推動相關標準化平台作業，透過供應端業者的資料協同作業，改善產品出貨正確性與作業時效，提升需求端的作業品質與管理效益；同時，部分業者也投入企業內部作業流程標準化與系統化，提升業者營運效能與品質。 在貨運物流端方面，物流業者的倉庫出貨人員需要耗費人工進行管控不同的物流出貨作業安排，若因常常接到緊急任務通知，要出貨到醫療院所，往往需要依賴小型區域性物流業者來提供客製化配送服務，除配送時效提升外，並無法導入整合性的資訊化服務。 新上路的GDP醫材法規規範運銷品質，也就是醫材供應商必須進行GDP合規認證，必須導入符合GDP法令規範之倉儲與物流服務業者，如此一來，區域性小型公司將被淘汰，因此，新竹物流透過經濟部工業局的AI輔導計畫案協助，除延伸既有GDP符合法令的倉儲物流服務外，將進一步利用相關數據整合與最佳化AI技術，協助醫材業者簡化改善物流配送最佳化作業。 複雜的物流難題 運用Simulated AnnealingSA演算法求解 為能滿足新的「醫療器材優良運銷準則」中對於醫療器材優良運銷系統建構的要求，新竹物流除了積極導入新式物流車，更將導入人工智慧中數學最佳化技術，以協助公司在每日全國營業據點以及轉運站進行智慧班次排程規劃，期望以最佳化的車班進行醫材在營業據點間的對開，或是區域間的轉運，以提高醫材在運銷過程中的效率。 目前醫材在新竹物流的轉運過程中，使用可分離式拖車頭與貨櫃。每個營業所及轉運站由於區位與幾何設計不同，以及人員數量不同，單位時間內的吞吐量也有差異；再加上每天的貨況大小、目的地皆不相同，面對無法確定且需求不同的變化，拖車頭及貨櫃的派遣狀況便隨之改變。 在此情況下，新竹物流僅能根據以往的經驗來進行各個衛星所之發車班表，並根據此班表視每日不同變化之貨物需求量進行調整。 因為是根據經驗法則進行排班，所以，班表往往不能兼顧全盤的變化與考量，使得目前發車班表仍然存在著可以改善的空間。。 貨物遞送規劃本質上為一NP-Hard難題，因此難以用傳統的解析解法，新竹物流結合奇點無限公司採用Simulated AnnealingSA演算法進行求解。 新竹物流導入的新物流服務為「GDP櫃班次規劃」。所謂的班次規劃，指的是根據未來對於站所間醫材貨件的預估量，進行站所間貨櫃車班的班表規劃，目的是讓醫材能夠如期如質抵達，並且讓新竹物流在場站作業、車輛數、行駛里程得到最高的效益。 新竹物流導入AI最佳化班次規劃，從其起點至終點間建構出一條最有效率的運送路線。 新竹物流導入「最佳化班次規劃」服務 降低5運輸成本 導入方式是利用雲端軟體服務，由新竹物流定期輸入站所間醫材貨件之「交互件數表」至「最佳化班次規劃」服務後，設定好演算參數即可產生GDP櫃班次表。同時發展新竹物流醫材班表系統，使新竹物流醫材運務單位能透過交互件數表編制適合班表。在相同服務水準的前提下，預估可降低運輸成本5，為醫材業者節省下建構GDP倉儲、配輸成本達千萬元。 醫材由於其對於衛生、溫度的要求，以及其易碎性等特色，因此運輸與轉運的時間越少越好，越少時間暴露在外，則醫材配曝險程度越低，然而由於仍須考量物流效率與成本。AI將每個需要運送的貨物，從其起點至終點間建構出一條最有效率的路線，即可有效率地完成每日的運務作業。 因應未來產業物流高度發展需求，其中配送與轉運AI最佳化將是關鍵議題，透過本計畫將成立專案推動組織，配置AI技術、IT與流程領域人才，累積落地經驗後，逐步擴大AI實際應用場域，全面優化轉型新竹物流的營運體系，並結盟AIOT與各領域AI夥伴加速與擴大效益之達成。