我們想利用機器學習進行疾病診斷，但現有方法對罕見疾病的預測精確率低，且若過於專注在罕見疾病預測的提升，容易導致整體精確率降低。
為了兼顧整體與罕見疾病的精確率，我們將預測分為兩個階段。在第一階段運用現有的多標籤分類方法訓練，第二階段使用二元成本導向判斷病人是否有罕見疾病，再利用第二階段得到病人有無患有罕見疾病的結果，決定是否在預測此病人可能患有的疾病時，保留一個位子給罕見疾病。實驗結果呈現在兩階段皆用神經網路（Neural Network, NN），能正確預測罕見疾病的比率為現有方法的八倍，而整體精確率只下降 0.02，並實作出疾病預測系統。
「為配合國家發展委員會「推動ODF-CNS15251為政府為文件標準格式實施計畫」，以及
提供使用者有文書軟體選擇的權利，本館檔案下載部分文件將公布ODF開放文件格式，
免費開源軟體可至LibreOffice下載安裝使用，或依貴慣用的軟體開啟文件。」