XiaoMi-AI文件搜索系统
World File Search System医学影像
磁共振成像脑部发现...
摘要 目的：癫痫症是最常见的慢性神经系统疾病之一，全球约有 5000 万人患有癫痫症。尼日利亚每年报告约 100,000 例新发病例。为了解磁共振成像 (MRI) 异常的患病率及其与癫痫发作的相关性，本地数据至关重要。方法：采用回顾性研究设计，回顾了 2015 年 1 月至 2023 年 1 月期间河流州哈科特港一家三级医学影像机构的 122 名患者的临床数据和 MRI 报告。获取数据，分析人口统计学、图像发现以及 MRI 发现、年龄和性别之间的关系，使用描述性和推断性统计数据，显着性程度设定为 p < 0.05。结果：本研究涉及 64 名女性和 58 名男性，年龄为 0 至 89 岁。约 69 名（57%）患者的脑部 MRI 结果正常，而 53 名（43%）患者脑部 MRI 结果异常。最常见的病理是脑血管病 14 例（11.48%），其次是白质病 13 例（10.66%）和脑肿瘤 10 例（8.20%）。0-17 岁年龄组的病理发现最多（20/53；37%），其次是 36-53 岁年龄组（11/53；21%）和 54-57 岁年龄组（9/53；17%）。73 至 86 岁年龄组的异常发现最少（4/53；0.1%）。性别和 MRI 结果之间没有显著关联。结论：大多数癫痫患者的脑部 MRI 结果正常；最常见的发现分别是脑血管异常、白质病和脑肿瘤，这些在年轻患者中更为常见。该研究强调了早期 MRI 扫描在识别与癫痫发作相关的脑部病变方面的重要性，特别是在儿童和青少年的癫痫症诊断检查中。 关键词：癫痫；磁共振成像；神经影像学；神经系统疾病；癫痫症 引言 癫痫症是一种慢性神经系统疾病，以反复发作的癫痫为特征；短暂的不自主身体运动，经常与癫痫互换使用 (Reddy et al ., 2021)。它是全世界最常见的神经系统疾病，影响所有年龄段的约 5000 万人，尽管它在儿童和青少年中更为常见 (Reddy et al ., 2021)。
培训和技能实习
印度贾姆谢德布尔，贾坎德邦 — 831014 由科学与工程研究委员会 (SERB)-DST 资助 “Vritika” 项目范围：“Vritika”是通过培训和技能实习来号召人们开始和实践科学研究。这个项目旨在通过实习，激发人们对科学和工程研究的浓厚兴趣，并提供科学与工程领域的技术见解。这些实习主要由国家级组织/机构/实验室提供便利。关于贾姆谢德布尔 NIT：贾姆谢德布尔国家技术学院（NIT）前身为地区技术学院，成立于 1960 年 8 月 15 日，是印度政府和比哈尔邦政府在印度 REC（地区工程学院）连锁中的合资企业，旨在培养能够为该地区提供技术领导的最高标准的技术毕业生。多年来，该学院已经成为一所提供高标准技术教育的顶尖机构，授予各个工程分支的理工学士学位以及各个专业的理工硕士学位和博士学位课程。贾姆谢德布尔国家技术学院的计算机科学与工程系成立于 1992 年。自成立以来，该系一直以其卓越的表现得到全国各地的认可。该系一直在计算机科学与工程领域培养高素质的专业人才。该系涵盖了许多学科，包括操作系统、软件、数据库管理系统、物联网、机器学习、人工智能、软计算、区块链、图像处理、深度学习等。该系拥有积极性很高的教职员工和在各个研究领域工作的学者。项目目标：实习项目旨在提供在脑、乳腺、皮肤和肌肉骨骼肿瘤等各个肿瘤学领域运用机器学习和深度学习技术的实践经验。该项目旨在让实习生掌握分析医学影像数据（如 MRI、CT 扫描、乳房 X 线摄影图像、皮肤镜图像和放射图像）、提取特征以及使用分类算法准确检测和分类肿瘤的技能。此外，该项目还侧重于建立预测模型，用于预测预后和治疗反应以及患者生存分析。总体而言，该项目的目标是让实习生掌握所需的专业知识，通过机器学习和深度学习应用为肿瘤学的进步做出贡献。
人工智能作为日本队列乳房 X 线摄影筛查第二阅读器的功效
概要 1-1 研究名称：在日本队列中使用人工智能作为第二读取器进行乳房X光检查的有效性验证研究 1-2 此项研究已获得医院院长的许可。 1-3本研究已经我院伦理审查委员会审查并批准。 2-1 研究机构：癌研究所有明医院AI医疗中心 研究主任：大口雅彦 2-2 合作研究机构：Google LLC 3-1 研究目标：调查专科医生的解读对日本女性乳腺癌筛查的影响。我们将研究与诊断相当的“读取乳房X光照片的人工智能”。 3-2研究意义：乳腺癌是日本女性最常见的癌症。自 1990 年以来，日本的乳腺癌死亡率一直在上升，尽管其他发达国家的乳腺癌死亡率有所下降。通过乳房 X 线照相进行大规模筛查可以在早期发现乳腺癌，此时仍有可能进行治愈性治疗。但遗憾的是，日本的筛查率仅为42.3%，与欧美75%以上的筛查率相比较低。在日本，建议由不同的放射科医生进行双重阅读，而放射科医生的短缺阻碍了筛查数量的增加。谷歌有限责任公司 (Google LLC) 的人工智能模型近年来取得了进步，现在其图像阅读能力等于或超过专家。本研究的目的是验证该人工智能在日本筛查乳房X光检查病例中的表现，并与日本放射科医生进行比较。 4-1研究方法：回顾性观察研究。 4-2 以下医疗信息及乳房X光检查图像将被匿名化，以验证人工智能的性能。 ① 乳腺钼靶X线检查 ② 临床信息（年龄、性别、病史、访谈、疾病信息、临床分期） ③ 医学影像诊断报告（乳腺钼靶X线检查、超声、CT、MRI、PET） ④ 组织病理学诊断信息 4-3 研究时间：自研究开始之日起批准截止日期为 2023 年 3 月 31 日 5 被选为研究对象的理由：您是 2006 年 4 月 1 日至 2020 年 3 月 31 日期间在癌症研究机构有明医院健康检查中心和乳房中心工作的患者。这适用于那些已经接受过检查的人。 6 研究对象的负担和预期风险（包括不良事件）：无
第 11 届 AMINA 研讨会 2022 莫纳斯提尔，2-3-4 ...
根据 CT 体积自动评估 COVID-19 感染率。 BEN ABDELALI Hanene, BEN ABDALLAH Asma, ACHOUR Asma, ABDELALI Mabrouk, MIGAOU Asma, SAAD Jamel, BEDOUI Mohamed Hédi Lab. LTIM-LR12ES06，莫纳斯提尔大学/医学影像系和肺病学系 – EPS Fattouma Bourguiba – 突尼斯莫纳斯提尔。宫颈阴道涂片图像分析：分割和特征描述。 BOUGHZALA Omelkhir、NOUIRA Ibtihel、BEN ABDALLAH Asma、BEDOUI Mohamed Hédi Lab。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学。通过移动媒体捕获的眼底图像实时筛查 AMD 的自动方法。本·萨亚迪亚·索菲恩、埃洛米·亚鲁布、卡丘里·罗斯托姆、本·阿卜杜拉·阿斯玛、阿基尔·穆罕默德、贝杜伊·穆罕默德·赫迪。实验室。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。一种基于自动架构的视网膜血管分割新方法。 BOUDEGGA Henda、ELLOUMI Yaroub、KACHOURI Rostom、BEN ABDALLAH Asma、BEDOUI Mohamed Hédi。实验室。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学，突尼斯莫纳斯提尔/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。心血管医学中的粒子图像测速技术。 KREKER Ouissal、BOUCHAHDA Nidhal、BEN ABDALLAH Asma 和 BEDOUI Mohamed Hédi。实验室。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。 CHAOUCH Aymen、Nada HAJ MASOUAD、BEN ABDALLA Asma、BEDOUI Mohamed Hédi Lab。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。用于膝关节软骨 3D 分割的新型 DL 模型。 MATHLOUTHI Safa、BLAIECH Ahmed Ghazi、SAID Mourad、BEN ABDALLAH Asma、BEDOUI Mohamed Hédi Lab。 LTIM-LR12ES06，突尼斯莫纳斯提尔大学，突尼斯莫纳斯提尔/Gaspard Monge 计算机科学实验室，ESIEE-Paris，法国。
临床实践中的人工智能
1. Ali FF。基于人工智能的 X 射线图像解释方法。国际研究出版与评论杂志。2024；5(5)：5300-4。https://doi.org/10.55248/gengpi.5.0524.1253 2. Dodda S、Narne S、Chintala S、Kanungo S、Adedoja T、Sharma S。探索人工智能驱动的图像通信系统创新以增强医学成像应用。电气系统杂志。2024 年。http://dx.doi.org/10.52783/jes.1409 3. Eldin WS、Kaboudan A。人工智能驱动的医学成像平台：图像分析和医疗诊断的进步。ACS 计算机科学进展杂志（印刷版）[互联网]。2023 年；出处：https://asc.journals.ekb.eg/article_328064_68f7507 452d7c0891a5684ff3f069b52.pdf。http://dx.doi.org/10.21608/asc.2023.328064 4. Imtiaz S、Jillani SAQ。人工智能对医学诊断的影响：致编辑的一封信。巴基斯坦医学会杂志。2024 年。https://doi.org/10.47391/JPMA.10668 5. Chaurasia A。算法精准医学：利用人工智能进行医疗保健优化。亚洲生物技术与生物资源技术杂志。2023 年。https://doi.org/10.9734/ajb2t/2023/v9i4190 6. Camm NJ。革命性的心脏诊断：一种用于医学成像中心脏异常检测的人工智能算法——当前和新兴技术的回顾。第 6 卷，临床心脏病学和心血管介入。2024 年。第 01-8 页。7. Das K。人工智能在医学诊断中的应用。2024 年。第 156-61 页。https://doi.org/10.1016/j.artmed.2024.102769 8. Gibbs TN。人工智能在医学成像中的应用：提高诊断准确性和工作流程效率 [互联网]。2023 年。可从以下网址获得：https://osf.io/t7uqe/download 9. Herpe G、Feydy A、d'Assignies G。人工智能算法在医学诊断临床评估中的功效与效果：该奖项授予效果。放射学。 2023；307(5):223132–223132。https://doi.org/10.1148/radiol.223132 10. Pagano S、Müller K、Götz J、Reinhard J、Schindler M、Grifka J 等人。人工智能软件在膝关节全置换术前后下肢 X 光片评估中的作用和效率。临床医学杂志。2023；12(17)。https://doi.org/10.3390/jcm12175498 11. Panda S、Dhaka RK、Panda B。人工智能在医学成像中的应用。2023 年。第 19–32 页。 http://dx.doi.org/10.1201/9781003217497-11 12. Peng Z, Ren X. 基于人工智能的医学影像诊断辅助系统的应用与发展. 国际生物学与生命科学杂志. 2024;6(1):39–43. https://doi.org/10.54097/sb3m1m17 13. Arora P, Behera MD, Saraf SA, Shukla R. 利用人工智能实现药物发现的协同效应：从计算机到诊所. Current Pharmaceutical
MDBrain | MDProstate 1.1 Akhondi-Asl，A.，和 Warfield。SK......
MDBrain | MDProstate 1.1 Akhondi-Asl, A. 和 Warfield. SK (2013)。通过融合概率分割同时估计真实性和性能水平。IEEE 医学影像学报 32，1840-1852。doi：10.1I09/TMI.2013.2266258 1.2 Allay, EE. Fisher. E.. Iones. SE、Hara-Cleaver, G、Lee, LG 和 Rudick, RA (2013)。在多发性硬化症诊所中使用磁共振成像对多发性硬化症疾病活动进行分类的可靠性。JAMA Neurol. 70，338-344。doi：I0.1001/2013.jamaneuroL211 1.3 Battagiini, M.. Rossi, F.» Grove, RA、Stromillo, M. L、Whitcher, B.、Matthews, PM. 等人 (2014)。使用减影图像自动识别多发性硬化症中的大脑新病变。I. Magn. Reson. Imaging 39, 1543-1549。doi: 10.1002/jmri .24293 1.4 Baur, G、Denner, S.、Wiestler, B.、Navab, N. 和 Albarqouni, S. (2021)。用于脑部 MR 图像中无监督异常分割的自动编码器：一项比较研究。Med. Image Anal. 69:101952。doi: 10.1016/j.media.2020.101952 1.5 Bose, M.、Heitz. F.» Armspach, J.-P.» Namer, L, Gounot, D. 和 Rumbach. L (2003)。多模态序列 MR1 中的自动变化检测：应用于多发性硬化症病变演变。NeuroImage 20, 643-656。doi: 10.1016ZS1053-8119(03)00406 3 1.6 Brownlee, WJ, Altmann. DR. Prados, F., Miszkiel, KA. Eshaghi, A., Gandini Wheeler-Kingshott, Q A. 等人 (2019)。复发型多发性硬化症长期结果的早期成像预测因子。Brain 142。2276-2287。doi: !0.1093/brain/awzl56 1.7 Carass, A., Roy, log. A., Cuzzocreo。 J. L、Magrath、E.、Gherman、A. 等 (2017)。纵向多发性硬化症病变分割：资源与挑战。NeuroImage 148,77-102。doi：10.10I6/j.neuroimage20l6.12.064 1.8 Qtek、0.、Abdulkadir、A.、I.ienkamp、SS。Brox、T.» 和 Ronneberger、O. (2016)。“3D U-Net 从稀疏注释中学习密集体积分割。”国际医学图像计算与计算机辅助干预会议 (雅典：Springer)，424-432。1.9 Commowick、O.、Istace、A.、Kain、M.» Laurent. B.. Leray, F., Simon, M.. 等人 (2018)。使用数据管理和处理基础架构对多发性硬化症病变分割进行客观评估。Sci. Rep. 8, 1-17。doi: 10.1038/S41598-018-31911-7 1.10 Egger, G, Opfer, R., Wang, C.» Kepp, T.» Sormani, MP。Spies, L, 等人 (2017)。多发性硬化症中的 MR1 FLAIR 病变分割：自动分割是否与手动注释相符？NeuroImage Clin. 13, 264-270。doi: 10.1016/j.nicl.2016.11.020
COVID‐19 期间的人工智能和心脏手术......
1. Cascella M、Rajnik M、Cuomo A、Dulebohn SC、Di Napoli R。冠状病毒的特征、评估和治疗。收录于：StatPearls [Internet]。收录于：StatPearls [Internet]。Treasure Island (FL)：StatPearls Publishing。2020 年。PMID：32150360。2. Kermali M、Khalsa RK、Pillai K、Ismail Z、Harky A。生物标志物在 COVID-19 诊断中的作用：系统评价。生命科学。2020；254：117788。3. Suri JS、Puvvula A、Biswas M 等人。COVID-19 对合并症患者脑和心脏损伤的途径：基于医学影像和人工智能的 COVID 严重程度分类的作用：综述。Comput Biol Med。2020；124：103960。 4. Ad N、Luc JGY、Nguyen TC 等人。北美心脏手术和 2019 年冠状病毒病 (COVID-19)：负担和影响的地区差异。J Thorac Cardiovasc Surg。2020 年。5. Haft JW、Atluri P、Ailawadi G 等人。COVID-19 大流行期间的成人心脏手术：分层患者分诊指导声明。Ann Thorac Surg。2020；110(2):697-700。6. Huang L、Zhao P、Tang D 等人。通过磁共振成像确定康复的 COVID-19 患者的心脏受累。JACC Cardiovasc Imaging。2020；13(11):2330-2339。https://doi.org/10。 1016/j.jcmg.2020.05.004 7. Wang D, Hu B, Hu C, 等。武汉市 138 例 2019 年新型冠状病毒感染的肺炎住院患者的临床特征。JAMA ‐ J Am Med Assoc 。2020；323(11)：1061 ‐ 1069。 8. Dilsizian SE, Siegel EL。人工智能在医学和心脏成像中的应用：利用大数据和先进计算提供个性化的医疗诊断和治疗。Curr Cardiol Rep。2014；16(1)：1 ‐ 8。https://link.springer.com/article/10.1007/s11886-013-0441-8 9. Shi F, Wang J, Shi J, 等。回顾人工智能技术在 COVID-19 影像数据采集、分割和诊断中的应用。IEEE Rev Biomed Eng。2020；14：4-15。10. King BF。人工智能与放射学：未来会怎样？J Am Coll Radiol。2018；15：501-503。https://pubmed.ncbi.nlm。nih.gov/29371088/ 11. Bashir M，Harky A。主动脉手术中的人工智能：机器的崛起。Semin Thorac Cardiovasc Surg。第 31 卷，2019：635-637。12. De Marvao A、Dawes TJW、Howard JP、O'Regan DP。人工智能与心脏病专家：2020 年你需要了解的内容。心脏。 2020；106：399-400。http://heart.bmj.com/ 13. Stoitsis J、Valavanis I、Mougiakakou SG、Golemati S、Nikita A、Nikita KS。基于医学图像处理和人工智能方法的计算机辅助诊断。Nucl Instrum Methods Phys Res Sect A Accel Spectrometers、Detect Assoc Equip。2006；569(2 SPEC. ISS)：591-595。14. Johnson KW、Torres Soto J、Glicksberg BS 等人。心脏病学中的人工智能。J Am Coll Cardiol。2018；71：2668-2679。http://creativecommons.org/licenses/by/4.0/
NeuroInsight：一种革命性的自适应框架，用于医学成像中精确的脑肿瘤分类，使用自适应深度学习
摘要 - 本研究提出了一个强大的脑肿瘤分类框架，首先是对 233 名患者的细致数据整理。该数据集包含各种 T1 加权对比增强图像，涵盖脑膜瘤、神经胶质瘤和垂体瘤类型。采用严格的组织、预处理和增强技术来优化模型训练。所提出的自适应模型采用了一种尖端算法，利用了自适应对比度限制直方图均衡化 (CLAHE) 和自适应空间注意。CLAHE 通过根据每个区域的独特特征调整对比度来增强灰度图像。通过注意层实现的自适应空间注意动态地为空间位置分配权重，从而增强对关键大脑区域的敏感性。该模型架构集成了迁移学习模型，包括 DenseNet169、DenseNet201、ResNet152 和 InceptionResNetV2，从而提高了其稳健性。 DenseNet169 充当特征提取器，通过预训练权重捕获分层特征。批量归一化、dropout、层归一化和自适应学习率策略等组件进一步丰富了模型的适应性，减轻了过度拟合并在训练期间动态调整学习率。技术细节（包括使用 Adam 优化器和 softmax 激活函数）强调了模型的优化和多类分类能力。所提出的模型融合了迁移学习和自适应机制，成为医学成像中脑肿瘤检测和分类的有力工具。它对脑肿瘤图像的细致理解，通过自适应注意力机制的促进，使其成为神经成像计算机辅助诊断的一项有希望的进步。该模型利用具有自适应机制的 DenseNet201，超越了以前的方法，实现了 94.85% 的准确率、95.16% 的精确率和 94.60% 的召回率，展示了其在具有挑战性的医学图像分析领域提高准确率和泛化的潜力。关键词：NeuroInsight、脑肿瘤分类、医学影像、自适应深度学习、自适应框架。1. 简介通过整合最先进的技术，特别是在深度学习领域，医学诊断领域经历了前所未有的进步。这一进步的一个显著例子是使用自适应深度学习进行脑肿瘤分期分类，这是一种新颖的方法，它不仅利用了深度学习的能力，而且还能动态适应脑肿瘤分期固有的复杂性，在诊断中呈现出更高的精确度和个性化水平。在医疗保健领域，脑肿瘤因其表现形式多样、严重程度各异而成为一项艰巨的挑战。传统的肿瘤分类方法经常难以准确描述肿瘤分期的细微细节。在此背景下引入自适应深度学习标志着一种范式转变，它赋予诊断过程一种自学习机制，该机制会随着遇到的每个数据集不断发展和完善自身[1] – [4]。这种开创性方法的基础要素是一种先进的深度学习算法，其特点是动态和自适应性。自适应深度学习方法与典型的深度学习模型不同，它不断修改其参数以响应输入数据的独特特征，而不是依赖于固定的、预定的架构。这种自适应能力确保了对与脑肿瘤分期相关的复杂性的更细致入微和针对具体情况的理解[5] – [7]。
用于贝叶斯认识论证据评估的人工智能方法
1.Rajkomar A、Oren E、Chen K 等人。利用电子健康记录进行可扩展且准确的深度学习。npj 数字医学。2018；1(1):1 – 10。https://doi.org/10.1038/s41746-018-0029-1。2.Paydar S、Pourahmad S、Azad M 等人。利用人工神经网络建立甲状腺结节恶性风险预测模型。《中东癌症杂志》。2016；7(1):47-52。3.Amato F、López A、Peña-Méndez EM、Va ň hara P、Hampl A、Havel J.医学诊断中的人工神经网络。J Appl Biomed。2013； 11(2):47-58。 https://doi.org/10.2478/v10136-012-0031-x。4.莫赫塔尔 AM.未来医院：业务架构视图。马来医学科学杂志。2017；24(5):1-6。 https://doi.org/10.21315/mjms2017.24.5.1。5.Liu X、Faes L、Kale AU 等人。深度学习与医疗保健专业人员在医学影像检测疾病方面的表现比较：系统评价和荟萃分析。柳叶刀数字健康。2019；1(6):e271-e297。https://doi.org/10.1016/s2589-7500 (19)30123-2。6.Nagendran M、Chen Y、Lovejoy CA 等人。人工智能与临床医生：深度学习研究的设计、报告标准和主张的系统回顾。英国医学杂志。2020；368：m689。https://doi.org/10.1136/bmj.m689。7.Panch T、Pearson-Stuttard J、Greaves F、Atun R. 人工智能：公共健康的机遇和风险。柳叶刀数字健康。2019；1 (1):e13-e14。https://doi.org/10.1016/s2589-7500(19)30002-0。8.Landes J、Osimani B、Poellinger R. 药理学中的因果推理的认识论。欧洲哲学杂志。2018；8(1):3-49。 https://doi.org/10。1007/s13194-017-0169-1。9.Abdin AY、Auker-Howlett D、Landes J、Mulla G、Jacob J、Osimani B.审查机械证据评估者 E-synthesis 和 EBM +：阿莫西林和药物反应伴有嗜酸性粒细胞增多和全身症状 (DRESS) 的案例研究。当前药学设计。2019；25（16）：1866-1880。https://doi.org/10.2174/1381612825666190628160603。10.De Pretis F，Osimani B.药物警戒计算方法的新见解：E-synthesis，一种用于因果评估的贝叶斯框架。国际环境研究公共卫生杂志。11.2019;16(12):1 – 19。https://doi.org/10.3390/ijerph16122221。De Pretis F、Landes J、Osimani B。E-synthesis：药物监测中因果关系评估的贝叶斯框架。Front Pharmacol 。2019；10：1-20。https://doi.org/10.3389/fphar.2019.01317。12。De Pretis F、Peden W、Landes J、Osimani B。药物警戒作为个性化证据。收录于：Beneduce C、Bertolaso M 编辑。个性化医疗正在形成。从生物学到医疗保健的哲学视角。瑞士 Cham：Springer；2021:19 即将出版。13.那不勒斯 RE。学习贝叶斯网络。Prentice Hall 人工智能系列。新泽西州 Upper Saddle River：Pearson Prentice Hall；2004 年。14.Hill AB。环境与疾病：关联还是因果关系？J R Soc Med。2015;108(1):32-37。本文首次发表于 JRSM 第 58 卷第 5 期，1965 年 5 月。https://doi.org/10.1177/ 0141076814562718。15.Mercuri M、Baigrie B、Upshur RE。从证据到建议：GRADE 能帮我们实现目标吗？J Eval Clin Pract 。2018;24(5):1232- 1239。https://doi.org/10.1111/jep.12857。
国立阳明交通大学113学年度学士班学位授予名称
系所代码学院系所名称学位名称校区Code Name of College Name of Department/Institute Name of Degree Campus 医学院医学系医学学士阳明College of Medicine School of Medicine Doctor of Medicine Yang-Ming 医学院中医学系医学学士阳明College of Medicine School of Chinese Medicine Doctor of Medicine Yang-Ming 牙医学院牙医学系牙医学学士阳明College of Dentistry Department of Dentistry Doctor of Dental Surgery Yang-Ming 护理学院护理学系理学学士阳明College of Nursing Department of Nursing Bachelor of Science Yang-Ming 药物科学院药学系临床药学学士阳明College of Pharmaceutical Sciences Department of Pharmacy Doctor of Pharmacy Yang-Ming 生物医学暨工程学院医学生物技术暨检验学系理学学士阳明College of Biomedical Science and Engineering Department of Biotechnology and Laboratory Science in Medicine Bachelor of Science Yang-Ming 生物医学暨工程学院生物医学工程学系工学学士阳明College of Biomedical Science and Engineering Department of Biomedical Engineering Bachelor of Science Yang-Ming 生物医学暨工程学院物理治疗暨辅助科技学系物理治疗学士阳明College of Biomedical Science and Engineering Department of Physical Therapy and Assistive Technology Doctor of Physical Therapy Yang-Ming 生物医学暨工程学院生物医学影像暨放射科学系理学学士阳明College of Biomedical Science and Engineering Department of Biomedical Imaging and Radiological Sciences Bachelor of Science Yang-Ming 生物医学暨工程学院数位医疗学士学位学程理学学士阳明College of Biomedical Science and Engineering Bachelor Program in Digital Healthcare Bachelor of Science Yang-Ming 生命科学院生命科学系暨基因体科学研究所理学学士阳明College of Life Sciences Department of Life Sciences and Institute of Genome Sciences Bachelor of Science Yang-Ming 工程生物科学学院生物科技学系理学学士交大College of Engineering Bioscience Department of Biological Science and Technology Bachelor of Science Chiao Tung 人文艺术与社会学院外国语文学系文学学士交大College of Humanities and Social Sciences Department of Foreign Languages and Literatures Bachelor of Arts Chiao Tung 客家文化学院人文社会学系文学学士交大College of Hakka Studies Department of Humanities and Social Sciences Bachelor of Arts Chiao Tung 客家文化学院传播与科技学系文学学士交大College of Hakka Studies Department of Communication and Technology Bachelor of Arts Chiao Tung 电机学院半导体工程学系工学学士交大College of Electrical and Computer Engineering Department of Microelectronics Bachelor of Science Chiao Tung 电机学院电机工程学系工学学士交大College of Electrical and Computer Engineering Department of Electronics and Electrical Engineering Bachelor of Science Chiao Tung 电机学院光电工程学系工学学士交大College of Electrical and Computer Engineering Department of Photonics Bachelor of Science Chiao Tung 资讯学院资讯工程学系工学学士交大College of Computer Science Department of Computer Science Bachelor of Science Chiao Tung 工学院机械工程学系工学学士交大College of Engineering Department of Mechanical Engineering Bachelor of Science Chiao Tung 工学院土木工程学系工学学士交大College of Engineering Department of Civil Engineering Bachelor of Science Chiao Tung 工学院材料科学与工程学系工学学士交大College of Engineering Department of Materials Science and Engineering Bachelor of Science Chiao Tung