隨著醫藥衛生的發達，台灣人口的平均壽命不斷增加；2009年女性平均壽命為79.70歲而男性為73.47歲。65歲以上人口比例佔7.0%以上稱老化的國家，台灣於1994年65歲以上人口已佔全人口7.23%，正式進入老化的國家。然而台灣的新生兒出生率逐年下降，以2014年人口結構分析預估，65歲以上人口佔11.6%而0-14歲佔14.7%；到2051年人口結構分析預估，65歲以上人口佔35.5%而0-14歲佔8.9%。以每位65歲以上老人之照顧人力分析：2003年每位65歲以上老人約有6.73位20-64歲中壯年照顧，到2046年每位65歲以上老人約剩1.61位20-64歲中壯年照顧。健康照護產業面臨的危機為健保資源使用者增加與醫療照護人力供給減少。高齡少子化是先進國家共同面臨的社會趨勢，因此人工智慧資源的投入應以長期居家照護與遠距醫療為重。另一方面，影像檢測是現代醫學診斷治療不可或缺的一環，根據統計，醫療數據中有80%來自於醫學影像，70%的臨床診斷需藉助醫學影像。通過將人工智慧應用於醫學影像，能夠提供客觀、定量化的結果，有效提高診查準確性，減輕醫生壓力。臨床上除了精確診斷與治療進步外，尚有許多未滿足的臨床需求-未來預測(future prediction)與預防性干預(preventive intervention)。例如許多慢性疾病(癌症或糖尿病等生活習慣病)，其進展相對較慢卻無臨床症狀，如能藉由預測模式能估計未來發病風險，將有助於避免併發症之發生。又如病人非預期性再入院及院內病人非預期性急救也一直是臨床上令人頭痛的問題，不僅耽誤病情，增加醫療成本也增加醫療糾紛發生的風險。如何利用各種臨床參數以客觀的方式辨識各項疾病高危險的病人，實為未來重要的課題。此外，許多疾病要進展至症狀出現或血液檢查異常，往往疾病已經進展到相當程度，對器官的傷害已經造成。傳統診斷方式，對於未來疾病發生或現有疾病預後之預測較為困難。本團隊亦希望以社區為基礎建構以代謝組學為基礎的疾病發生與預後預測模式，並與臨床資料結合來驗證(validation)模式之準確性。在醫療的領域吾人應能透過人工智能開發出疾病預測模型，有效的做出準確的風險評估以期及早介入治療。在重症治療方面，臺大醫療團隊可以在短時間內完成葉克膜急救系統裝置，心臟停止跳動併用葉克膜急救的個案總數更占全球一半，病人存活率也比傳統 CPR 技術要提高一倍以上，這些醫療成就並登上 2008 年刺胳針（The Lancet）雜誌。基於上述優異的表現：