人工智慧個人化4D高齡健康失智預測模組，可以僅藉由當次掃描的磁振影像，建構出個人化4D人腦老化時間軌跡圖譜。此演算法模組不僅能預測未來腦皮質萎縮區域，亦能精準預測未來時間的失智分數以及症狀表現型，預期可為亞健康族群提供未來腦心智老化期程之風險預測模式，亦有助於即早介入、延緩老化及預防醫學的發展。

(1)結合多模組學影像生物標記，建立精準疾病風險評估模式
組學(omics)是指從研究目標(例如：基因、組織或影像等)提取大量參數，將這些參數在先驗統計方法的基礎上進行大量的數學處理，找出其中對患者診斷、治療或預後預測有意義的資訊。以往生物標記的使用，大多拘泥於研究「單一」組學或影像因子對罹病風險評估，但人與人之間在腦心智老化過程中存在偌大的變異性，若要建立個人化疾病風險的精準預測，結合多模組學影像生物標記的分析模式將會是最佳策略。
(2)利用條件式變換自編碼器深度學習模型架構，結合疾病的多元資料型態
由於影像與組學的資料維度不同，如何在深度學習模型結合多元資料型態將是演算法開發的一大考驗。本技術為首例利用條件式變換自編碼器深度學習模型架構，結合年齡、性別、磁振影像及組學資訊，建立健康老化疾病進程之多模預測模式，可建構出個人健康老化大腦圖譜隨時間之動態變化。條件式變換自編碼器是一種非監督深度學習模型，藉由將不同條件(如：年齡、性別、基因等)納入模型潛在空間(latent space)，可模擬不同條件下人與人之間的變異，達成個人化的精準預測。
(3)利用生成對抗網路的機制，使產生出來的未來時間圖譜更貼近真實結果
非監督的自編碼器圖像生成模型，將圖像表示為一個隨機向量，其中每一維度都代表一個像素值，並假設圖像都服從一個未知的分佈規則，透過觀測樣本來估計其分佈。這種難以描述和直接建模的生成模型有時讓模型無從判斷預測結果的品質好壞，容易產生出偏離真實或模糊的影像。本技術在條件式變換自編碼器架構中，加入生成對抗網路的機制，藉由「生成器」和「鑑別器」互相博弈，一個不停地捕捉數據產生新樣本，一個不停提出質疑和挑戰來判斷所生成的樣本是否真實。透過自我對抗不斷改進，使預測出來的圖譜能更貼近真實結果(誤差<3%)。
(4)利用未來時間4D大腦圖譜的動態預測，強化疾病風險評估的模型可解釋性
過去大部分疾病預測模型多為單一輸出 (如：有病/沒病、失智類型等)，模型無法將其判斷過程用人可以理解的方式呈現，因此常被視為黑盒子而無法被信賴使用。本技術為個人化預測大腦圖譜在未來任意時間點的動態變化，可將不同腦區的衰退時程做視覺化呈現，可提升模型於臨床應用的可信任與可解釋性。後續可再利用影像分析或機器學習，分析此演算法生成的未來時間影像，針對未來時間可能發生的失智症亞型及症狀表現型做個人化可解釋的評估，可提供不同的早期介入及治療策略，實踐精準醫學及個人化智慧醫療。