醫療業 AI 與自然語言處理的應用

簡介｜醫療業 AI 與自然語言處理應用實戰

在醫療數據快速成長與數位轉型的浪潮下，如何有效運用 AI 進行病歷分析、資料分類、醫療決策輔助與流程自動化，已成為醫療機構提升效率與品質的關鍵。本課程專為醫療產業設計，結合 自然語言處理（NLP）、機器學習、生成式 AI 與多模態應用，帶領學員從零開始理解 AI 模型運作，並學會如何透過提示詞（Prompt）與上下文控制 AI，讓非技術背景也能快速上手。

課程以實務案例為主軸，涵蓋文本分析（分類、情緒判斷、命名實體識別）、影像辨識與 OCR、AutoML 預測模型建立，以及 Azure OpenAI 與 Agent 應用設計。從客服分類、客訴分析到 ICD-10 智慧編碼、Covid19 預測模型與個管 AI Agent，逐步打造可落地的醫療 AI 解決方案，真正將 AI 應用於臨床與管理流程中。

你將學會

• 理解 AI 模型與 Prompt 設計，掌握上下文控制與結構化輸出
• 應用 NLP 進行分類、標籤、意圖判讀與去識別化
• 建立醫療文本分析流程（如客訴分類、資料整理、自動化分析）
• 使用圖像辨識與 OCR 處理醫療影像與文件
• 建立機器學習模型（Regression / Classification / Clustering）並進行預測
• 使用 Colab + ChatGPT 快速完成資料處理與模型訓練
• 運用 Azure OpenAI 與生成式 AI 設計醫療應用
• 開發 ICD-10 智慧編碼與 AI Agent 自動化流程

適合對象

• 醫療機構人員、醫療資訊、健康管理、醫院管理相關從業者
• 想導入 AI 提升醫療流程效率的主管與決策者
• 對 AI、NLP 與醫療數據應用有興趣或AI開發技術者

課程大綱

第1課: 認識 AI 模型 – 深入提示詞與上下文

• 目標: 了解AI模型能力及如何控制它，非技術人員也可以上手
• 上下文(Context)的重要性
• 認識「系統提示詞」
• 結構化提示詞寫法原則 – 範例 / 格式化輸出
• Lab: 何謂系統提示詞及自動生成

第2課: 活用自然語言處理

• 目標: 善用 AI 在自然語言處理的能力-內容分析/分類/標籤/去識別化及知識整理
• 分類/打標籤/評價/情緒判斷 (例如: google 地標的評語，分為 好 / 中立 / 壞)
• 判讀意圖 (例如:從文字中了解使用者想做什麼)
• Lab – 命名實體識別 NER (Named Entity Recognition)
• Lab – 分類/打標籤

綜合應用/實作: 客服問題分類 → 資料分析 -> 自動化

• 客訴處理優先級排程 – 用自然語言處理分析客訴內容，分類與打標籤，並自動匯出

第3課: 活用圖像處理及辨視

• 大語言模型之多模態能力
• 實作圖像處理及OCR

第4課: 機器學習的基礎

• 常見的機器學習技術
• 機器學習核心概念
• 自動化機器學習 Automated ML
• 模型的驗證及 classification 分類演算法評估計量
• Confusion matrix 混淆矩陣 / AUC 曲線下面積
• Clustering 叢集分群
• Lab – 訓練模型做預測 – 使用 Regression 線性迴歸模型
• Lab – 佈署模型及推理
• Lab – 自動化機器學習 Automated ML – 並透過程式存取 API 進行推理及預測
• Lab – 應用 AutoML 中的 classification 分類演算法

第5課: 使用 Colab 並善用 ChatGPT 輔助上手機器學習

• 假資料生成
• 資料預處理及演算法模擬並計算各種 metric (F1 score / confusion matrix)

綜合演練: Covid19問診+快篩試劑檢測預測模型 – 使用Colab + Python

第6課: OpenAI 模型應用及 Azure OpenAI 服務

• 生成式 AI 應用設計 – 符合負責任 AI 準則
• Azure AI Foundry 的特性和功能
• Azure AI Foundry 模型目錄及入門

Lab – 使用 OpenAI SDK及GPT-5.4模型

Lab – 使用 OpenAI 模型進行文本分析-分類/打標籤

第7課: ICD-10 智慧編碼應用 – 從住院文字抽 ICD-10-CM（主診斷＋次診斷) – 使用Colab + Python

第8課: AI 應用設計與 Agent入門

• 設計AI與自動化流程 – 多元輸入(文字/照片/語音) 及line整合
• Lab: 個管案件資料收集及互動的 AI Agent