快速增加血紅素的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

運動基因：頂尖運動表現背後的科學

為了解決快速增加血紅素的問題，作者DavidEpstein 這樣論述：

美國前總統歐巴馬推薦讀物，榮獲美國國家科學院科學傳播獎， 顛覆「刻意練習」迷思，改變美國國手訓練方針， 震撼體壇、暢銷不墜，不容錯過的運動科學經典！   　　►愈早投入訓練，便能贏在起跑點，超越同齡人？ 　　►勇於跳脫舒適圈，挑戰更艱難目標，是進步的不二法門？ 　　►勤奮地刻意練習，人人都能達到天才水準？   　　像「閃電」尤塞恩・波特、游泳名將麥可・菲爾普斯，以及網球名人小威廉絲這樣的運動明星，是因為遺傳上異於常人，而稱霸他們的運動領域的嗎？或者，他們只是靠意志力和刻意訓練，來克服生理極限的普通人？在運動領域中，個人成就是受先天所左右，還是由後天努力所主導，

科學家們爭論已久。然而真相遠比「先天還是後天」這二分法複雜得多。   　　1940年代以降，數個關於特殊技能的研究結果皆認為：區別出好手和業餘人士的知覺運動技能，是透過練習學會或像軟體般下載而來。這些論據在1990年代末，催生了現代運動專業領域中最著名的理論——刻意練習。雖然當時關於「一萬小時法則」的資料都是當事人自己回溯的，且「刻意練習」倡議者艾瑞克森博士日後承認，他那些現在舉世知名的資料僅是從少數受試者身上收集而來，然而基因（先天條件）不重要，努力就能成功」的勵志觀點仍席捲全球，至今被奉為圭臬。即使2003年人類基因體計畫完成，基因科學日漸重要，艾瑞克森也把基因納入論文裡，基因對於

個人習得新技能的影響，仍因「政治不正確」而傳播不力。   　　艾普斯坦為了釐清「先天／後天」論戰的複雜脈絡，花費數年走訪眾多國家，親訪無數第一線科學家、奧運金牌選手、乃至帶有罕見基因突變或身體表徵的運動員，以豐富且令人驚嘆的實際案例，闡述運動遺傳學的研究成果，從基因的角度進行了全面而深入的討論，重新審視人們對於天賦和努力的認知。此外，作者還談及文化、經濟、性別、種族、訓練方式等因素，對人類運動表現和體育競技成績產生的深遠影響，甚至分析了運動中的遺傳疾病風險，探討人們該如何面對先天因素，採取最適當、最有效的訓練方式。   　　▎本書內容涵蓋廣泛，所跨領域請參閱〈目錄〉的各章引文 ▎

  各界好評   　　►我不記得有哪本書像《運動基因》一樣，這麼令我入迷、獲得知識，甚到受到挑釁。艾普斯坦從此改變了我們衡量運動好手及其成就的方式。——《異數》作者葛拉威爾   　　►貨真價實的劃時代之作，當代最好的體育新聞寫作。讀過之後，你不會再以同樣的眼光看待運動。——強・沃海姆，體育記者與作家，任職《運動畫刊》   　　►運動員、家長、教練，以及凡是想知道成為優秀運動員的條件的人必讀的一本書。——喬治・杜爾曼（George Dohrmann），普立茲獎得主暨暢銷運動作家   　　►從來沒有哪本書像這樣：強硬但平易近人地評論運動的科學與遺傳學，並用個

人的故事來包裝。這本書將讓各種類型的讀者質疑，自己原本認為塑造菁英運動選手所需的要件，是否正確。——史蒂芬・羅斯，馬里蘭大學運動生理學家   　　►艾普斯坦在《運動基因》一書中，嚴斥「只要（勤練）一萬小時，就能在一項運動中稱霸」的觀念，揭露優異表現背後錯綜複雜的原因。——達雷爾・莫雷，休士頓火箭隊總經理、MIT史隆運動分析方法會議共同創辦人   　　►我從1960年代之初就開始等待這麼一本書。我想不出關注運動的人有誰不會像我一樣，深受這本書吸引，尤其是關注「頂尖運動員如何達到頂尖？」這個問題的人。——安比・伯夫特（Amby Burfoot），1968年波士頓馬拉松賽金牌  

AI 醫療 DEEP MEDICINE

為了解決快速增加血紅素的問題，作者EricTopol 這樣論述：

　　AI 醫療不是未來式，而是現在進行式！讓世界級名醫帶你進入 AI 醫療現場。 　　 　　本書深入發掘 AI 醫療應用亮點： 　　【 AI 觀察掃描影像的威力】   　　★ AI 能觀察出醫療掃描影像中潛藏的細微資訊，看到許多人眼無法觀察到的紋理特徵，例如預測出在某些腦癌中的染色體 1p/19q 聯合缺失之基因組異常，或是找出病患是否有與大腸癌密切關聯的 KRAS 基因突變，做到真正個別化的監測！一年甚至能夠判讀數十億張醫療掃描影像，數量驚人！   　　★ 東京大學研究團隊開發了一套 6 層卷積神經網路，對來自 460 名病患的肝臟腫塊電腦斷層進行分類，所得結

果與真實值相比，整體準確性高達 84%！   　　★ 荷蘭拉德堡德大學 (Radboud University) 發現深度神經網路在經過 1,400 多張乳房 X 光影像的訓練後，能夠判讀出與 23 位放射科醫師相同的結果！   　　★ 使用 AI 就能從視網膜圖像準確診斷出各種眼疾：在分析及診斷青光眼、糖尿病視網膜病變、老年黃斑部病變等 50 多種眼科疾病、進行緊急轉診方面，深度學習演算法協助自動化光學同調斷層掃描判讀的準確率，已達到專業視網膜專科醫師的判斷水平。從視網膜影像還能預測病患的年齡、性別、血壓、吸菸狀況、糖尿病控制及重大心血管疾病的風險。也可協助診斷「早產兒視網膜

病變」與「先天性白內 障」，改善兒童視力！   　　【 AI 辨識病理切片的潛力】   　　★ 史丹佛大學的研究小組利用全切片影像開發了一款機器學習演算法來預測肺癌病患的存活率 (survival rate)，準確率優於目前病理學實務上所使用的腫瘤分級 (grade) 與分期 (stage)。   　　★ 紐約大學研究人員對病理學切片進行的研究則顯示，演算法在診斷肺癌亞型 (subtype) 時，可得到非常優異的準確率 (AUC = 0.97)，這項研究證明了機器演算法有能力看出人類不易辨別的模式。   　　【企業界爭相切入 AI 醫療應用】   　　★

許多公司也都已著手發展醫學影像的深度學習，包括Arterys 專攻心臟 MRI 影像分析、Viz.ai 利用頭部電腦斷層深度學習診斷中風症狀，還會即時發訊息通知臨床醫師、Imagen 以機器分析骨骼影像的技術等。Enlitic 的自動檢測處理則不僅能夠精確診斷骨折，當骨折的範圍只佔了 X 光影像中的 0.01% 時，還能夠明確點出微骨折的位置！   　　★ Arterys 公司有一套已獲美國FDA批准的演算法稱為 Deep Ventricle，可快速分析心臟血流，將原本需花費一個小時抽血並手動測量的工作，縮短成一次只需要花費15秒的掃描。   　　【 AI 提升醫院急診室、手

術室及加護病房的運作效率】   　　★ 利用近16萬名病患的電子健康紀錄訓練完18層的深度神經網路之後，能針對4萬份病歷預測出死亡時間，而且準確率相當高。此外，深度神經網路還能預測：住院日數、緊急臨時再入院（unexpected hospital readmission）以及最終的出院診斷。   　　★ 史丹佛大學利用深度學習和機器視覺量化醫師的手部衛生狀況以杜絕院內感染，準確率超過95％。   　　★ 加護病房也能倚靠機器視覺幫助使用機械式呼吸輔助（mechanical ventilation）的病患脫離呼吸器：透過病患的監控影像，便能協助確定目前移除病患的呼吸器是否

有風險，也能掌握其他生命徵象未列入的參數，藉此減輕護理師檢測的負擔。   　　★ 在美國許多醫院已有機器人護理師助手 Tug 幫忙分送食物和藥物，減輕護理師的工作負擔，空出護理師的時間與雙手真正去照護病人、關心病人。   　　【 AI 打破迷思、顛覆傳統】   　　★ 許多資訊都隱藏在所謂的正常範圍裡：以一名在過去 5 年內血紅素從 15.9 g/dl 穩定下降到 13.2 g/dl 的男性病患為例，其血紅素數量變化的起點和終點都落在正常範圍裡，因此這個變化絕對不會被檢驗報告標記出來，但是血紅素減少情形有可能是病患身上某種疾病的早期徵兆，比如隱性出血或癌症。在資料解讀上

，AI 能掌握更多豐富、細緻且連續的資料及解讀方式。這就是深度學習的重要性！   　　★ 健康飲食金字塔的唯一標準其實並不符合每個人，AI 將能根據你的腸胃道菌種量身打造專屬個人的飲食建議！   　　★ 癌症資訊最近還擴展到了活癌細胞分析，用微流控技術 (microfluidics) 從乳癌或攝護腺癌病患身上分離出活的癌細胞，接著用 AI 機器視覺進行評估，以預測術後風險，不同於以往的癌症檢驗依賴固定在福馬林中的死亡組織塊。   　　【 AI 結合無負擔的穿戴式裝置】   　　★ 戴上智慧手錶，免抽血就能偵測血鉀濃度的變化，避免因心律不整而猝死！   　

　★ AI 能偵測出人類所感覺不到的細微變化，只要貼上類似 OK 繃的裝置，就可以偵測出「無症狀」心房震顫的病人，預防可能引發的中風！   　　美國著名心臟科權威醫師 Eric Topol 以自身就醫的經歷揭開序幕，帶我們一窺原來「即使身為醫師也未必能得到最佳的醫療診治！」直擊醫療現場的真實缺口，揭露出為何醫療場域迫切需要導入 AI？ AI 醫療並非未來式，而是現在進行式！ AI 更不是冷冰冰的機器，而是重塑醫病關係的新契機！   本書特色   　　★ 為什麼你/妳需要讀這本書？   　　【如果你是醫師、醫療從業人員……】 　　為什麼醫療領域需要發展 AI？

　　AI 真的有那麼神嗎？醫療領域發展 AI 又會遇到哪些瓶頸？ 　　AI 醫療的最終願景將會帶給醫師及醫療相關從業人員哪些好處？ 　　這些 AI 醫療變革都將影響整體醫療系統、醫療資源的支配運用，身為第一線從業人員的你/妳不可不知！   　　【如果你是「 AI 工程師」或「研發人員」……】 　　醫療資料暗藏什麼結構性問題？有哪些陷阱？ 　　何時該篩選數據，何時又不該篩選？！ 　　如果 AI 工程師能早一步知道，就能少走很多冤枉路！   　　【如果你是「醫療」或「資訊科技」相關科系教授與學生……】 　　最新的一門跨領域整合性學科「AI 醫療資訊專業」

融合了 AI 科技與醫療知識， 　　隨著 AI 在醫療領域的崛起，「優秀醫生」的定義也將翻轉，醫學界訓練醫生的方式將發生哪些轉變？ 　　醫學生若想掌握 AI 工具，首先應從哪些學科切入？ 　　資訊科系學生若想進軍醫療工程領域，更該明白醫學資料獨有的特性！提早佈局自己的競爭力藍圖！   　　此外，本書旁徵博引近 700 篇參考文獻，歸納整理出 AI 醫療的相關研究內容重點。包含 AI 在全球各地醫療領域的實務應用，以及理論與實務究竟差距有多大，都將在書中具體呈現。   名人推薦   　　AI 先驅 - 李開復、李飛飛 強力推薦！   　　“人工智慧與人類

醫師結合的最佳展現將是一場醫師與病人互利的雙贏局面。Eric Topol 是一位對醫療保健和 AI 都有深刻瞭解的醫學權威。我強烈推薦這本書，並希望它能串聯起醫療從業者和 AI 研究員，幫助他們明白唯有同心協力、共同努力，我們才能實現健康長壽的共同夢想。”──李開復   　　“人工智慧應奠定在深厚的人性化基礎之上，而它的影響在工業和日常生活中只會不斷增加，不會減少。 這是一本有見地的讀物，用「以人為本」的嶄新視角出發，使人深刻地瞭解人工智慧結合醫學的驚人潛力。──李飛飛，ImageNet 創辦人，史丹佛大學電腦科學系教授， 曾任職史丹佛大學人工智慧實驗室、Google Cloud 首席

科學家   　　“以敏銳洞察的眼光看待科技在醫學中所扮演的角色以及能發揮的作用……提出有力的論點說明醫學將在科技技術的輔助下走向更人性化與更關懷人的醫學，而非被科技凌駕之上。”──美國 Kirkus 書評

有機矽奈米遞送系統之藥動學研究

為了解決快速增加血紅素的問題，作者周宏璋 這樣論述：

矽奈米粒為具潛力的藥物載體，本論文分別探討矽奈米粒之藥動學（第二章）及細胞攝入動力學（第三章）。過去研究指出，一氧化氮可用於疾病的治療。然而，這種反應性高且不穩定的氣態分子很難遞送到目標作用部位。儘管有各種奈米藥物遞送系統已被發展成為一氧化氮釋放劑，但其體內的動力學研究卻不詳盡。第二章的研究目標為：探討一氧化氮矽奈米遞送系統之藥動學和生物相容性。利用兩種不同的方法製備有機矽奈米粒，分別是奈米沉澱法與一鍋法。合成的載體命名為NO-SiNP-1與NO-SiNP-2。含有亞硝基硫醇的有機矽奈米粒具有相似的粒徑大小（~130 nm），但具備不同的形態和表面電位。在體外釋放研究中，NO-SiNP-1的

降解速率比NO-SiNP-2更慢（約延長5倍）；因此，NO-SiNP-1被視為一種緩慢的一氧化氮釋放劑，而NO-SiNP-2則是一種快速的一氧化氮釋放劑。但是在藥動學研究中，NO-SiNP-1卻從血液中迅速被排除（20分鐘內）；相比之下，NO-SiNP-2的亞硝基硫醇在血漿循環長達12小時，且其亞硝酸鹽和硝酸鹽的血漿濃度明顯更高。此外，血液、生化分析及組織切片的結果顯示給予二種劑型後並沒有產生顯著變化，表示其具有生物相容性。奈米遞送系統一直存在著遞送效率普遍偏低的問題。研究指出巨噬細胞吞噬奈米載體具有特定的閾值（threshold），顯示細胞所能吸收的載體有一定的數量。第三章的目標是利用含有螢

光團的有機矽奈米粒來評估巨噬細胞之吞噬和滯留奈米粒的程度與速率。研究中製備攜載rhodamine 6G（R6G）的有機矽奈米粒（SiNP-R6G）並探討其基本特徵及細胞攝入動力學（cellular uptake kinetics）。結果顯示，SiNP-R6G為球形粒子，粒徑約為100至200 nm，R6G不但穩定承載於奈米粒中，且螢光強度主要來自包覆的R6G分子，故可藉由螢光強度之測量，追蹤奈米粒子之細胞攝入動態。此外，SiNP-R6G的細胞毒性顯著低於游離態R6G，兩者之細胞耐受濃度相差>150倍。動力學實驗結果顯示巨噬細胞（RAW 264.7）胞吞SiNP-R6G時，呈現飽和動力學效應，即

吞噬百分率隨投予的奈米數增加而降低，這樣的結果由直接螢光定量測定與共軛焦雷射掃描顯微圖像得到證實。每顆巨噬細胞的最大吞噬速率（Vmax）為每小時6.9×10^4顆奈米粒，半飽和（half-saturation）奈米粒數量濃度為7.6×10^11/mL（每毫升約1兆顆粒子）。SiNP-R6G在胞吞後的48小時，約有80%仍然滯留在細胞中。本研究發展出細胞內奈米粒子數量之直接定量法，利用低毒性和高螢光強度的螢光奈米粒子，追縱奈米載體進出巨噬細胞的動態變化，以絕對的量化數據，呈現巨噬細胞攝入奈米粒子之能力。