專題心得與建議
時光飛逝，從上學期在 Google Colab 初次接觸 DICOM 影像，到這學期建立完整的五折交叉驗證系統，這段專題旅程充滿挑戰與收穫。這學期最大的任務是提升模型效能。透過文獻回顧與競賽解決方案研究，我們發現 CT 影像的三維空間特性是關鍵。我們實作了位置感知模型，將 Z 軸位置正規化後透過 MLP 編碼，再與影像特徵融合。當第一次看到位置資訊確實提升表現時，讓我深刻體會到研究需要站在前人肩膀上創新。在模型選擇上，最初的 ResNet50 雖然達到 weighted F1=0.710，但召回率僅 0.665，意味著約三分之一的出血病例可能被漏診。這讓我們意識到在醫學影像任務中，「不漏診」比「不誤診」更重要。組員採用 EfficientNet-B4 架構，透過複合縮放策略提取更豐富的特徵，成功將召回率提升至 0.833、weighted F1 達到 0.874，有效降低漏診風險。我們也實作多窗口影像處理策略，整合腦窗、硬膜下窗與骨窗成三通道輸入。
訓練過程中遇到過擬合問題，我們引入 MixUp、標籤平滑、Dropout 等正則化技術。有次發現驗證集 log loss 居高不下，原因是模型輸出機率過於極端，促使我們實作溫度校正，最終將 log loss 從 0.5 以上降至 0.360。這次經歷讓我體會到研究需要細心觀察、耐心調試。這學期透過共用電腦開發，用資料夾命名與文件記錄管理版本，每周會前一起檢視訓練曲線、分析結果，組員間互相支持與知識分享是我們順利完成的關鍵。回顧整個專題旅程，我經歷了技術能力、時間管理、團隊協作等多方面的成長，學會了如何閱讀文獻、如何在失敗中尋找改進方向。這份專題不只是為了學分，而是真正有機會為醫療領域貢獻力量。這段旅程培養的能力與心態，將伴隨我走向更遠的未來。
梁凱晰
在本專題中我們深入分析競賽提供的顱內出血 CT 影像資料，並透過自主學習補足醫學影像與機器學習的相關知識，包含出血類型判讀與手動標註練習，這不僅是技術挑戰，更是跨領域學習的寶貴經驗。在教授與醫師協助下，我們更理解影像的醫學意義和病灶的複雜性。過程中我們學會了有效整合網路與學術論文資訊，並透過實作與除錯，加深對醫學影像處理的模型分類的理解，也領悟到資料集的重要性，而面對多標籤分類加上資料不平衡的情況，我們做了非常多嘗試與修改，過程中逐步培養了解決問題與獨立思考的能力。這些扎實的基礎，對我們理解專案核心至關重要。
整個專題研究過程充滿了無數耗時數小時的嘗試與實驗，這是一場對意志力的長期考驗。尤其是在模型跑了十幾個小時後的結果卻不如預期，面對新嘗試的方法無效的高度不確定性和頻繁挫敗，我多次感到疲累與被打擊。然而，正是這種充滿壓力與挫折的探索，培養了我的獨立思考和解決問題能力。我努力將這些經歷視為預先體驗研究所生活的磨練，在不斷面對失敗並快速重振旗鼓的過程中，我深刻體會到理論與實踐結合的真諦，以及在錯誤中學習、從實作中成長的價值。每一次觀察到模型性能的提升，都會帶來顯著成就感，激勵我們持續投入。我在專題研究中體悟到，從零開始學習跨領域知識的挑戰，在不斷嘗試、錯誤和反思中，我們不僅初步認識了醫學影像分析和深度學習技術，更體會到理論與實踐結合的重要性。如今，我的心態和抗壓性已逐漸成長，雖然挫折感仍會出現，但我能更快地從中學習，繼續嘗試新的優化方向。這段寶貴的經歷不僅讓我對機器學習原理理解更深入，更為未來獨立研究奠定了堅實的基礎，培養了我的信心與期待。
鄭宇涵
我們的專題主題聚焦在結合深度學習與醫療影像方面，希望能透過這些技術減少醫療上的人為誤判並減輕醫護人員的負擔。從一開始的資料收集與文獻整理，我們發現需要學習新的領域，對於醫學方面是我們需要重新去認識並學習。我們從頭學習認識腦部位置，且教授也請認識的人協助查看我們的判斷是否正確，使我們在學習過程中有指引的方向。在訓練如何讓影像便清晰的過程中，我學習到很多額外的知識，不只是醫學上的判斷，更包含影像處理的原理與技術實作。
黃詩云
透過這個專題，我學到的不只是知識，而是面對未知、整合跨域、解決問題。我們從對醫學毫無基礎的資訊學生，成長為能夠獨立處理影像資料、建構分類模型、思考臨床應用。這次實習的收穫滿滿。這段校內專題經驗對我而言，不只是一份畢業所需的成果，而是讓我真正走出課本，開始理解真實世界問題，並用所學去嘗試解決的第一步。相較於校外實習，專題雖然不一定有企業的真實商業流程訓練，但它給了我從零開始主導一個專案的機會，也讓我更有系統地去整合知識、驗證想法，並將技術轉化為有用的成果。我很慶幸當初做出了這個選擇，因為這段經歷不僅讓我完成一份作品，更讓我更了解自己，並對未來有更明確的方向與信心。