心電圖急性ST段上升心肌梗塞自動化判讀模型:以本院前瞻性6590筆案例作為測試驗證，結果呈現：可達準確率96.8%、敏感度86.7%以及特異度96.9%，偽陽性3%，於臨床上使用作為提醒角色並搭配熱圖以輔助結果判讀。在導入臨床後，本案也藉由讓30位剛學習心電圖判讀的醫學生，判讀實際急診心電圖案例，並比較有應用與未應用模型輔助判斷後，平均可上升約6% (78.9% vs 84.3%, p=0.008)的準確率。
建構自動化心臟超音波影像判讀模型：在臨床上，臨床醫師常需要依賴經胸前心臟超音波來判斷病患的心臟結構與功能是否有無正常，加上超音波檢查所特有之無痛與非侵入性的特性，使其常常為臨床上進一步分析心臟功能的第一選擇工具；有賴於近年來深度學習自動化判讀的發展，越來越多的深度學習模型被應用到臨床影像的自動化判讀。
本模型利用本院約一萬多筆心臟超音波資料所建立，可用於自動化識別局部心臟收縮異常，與心血管疾病以及臨床預後具有關聯性，可進一步輔助潛在冠狀動脈疾病病患早期診斷的可能性。
圖片來源：Huang, M. S., Wang, C. S., Chiang, J. H., Liu, P. Y., & Tsai, W. C. (2020). Automated Recognition of Regional Wall Motion Abnormalities Through Deep Neural Network Interpretation of Transthoracic Echocardiography. Circulation, 142(16), 1510–1520. https://doi.org/10.1161/CIRCULATIONAHA.120.047530