為落實農民職業安全及農藥源頭管理之政策精神，並因應國際間日益強調個體化風險評估之趨勢，本研究應用人工智慧方法，建構農藥皮膚吸收率預測模型，提升農藥風險評估之效率與精準度。透過收集文獻中化學物質之皮膚滲透係數 (Kp)，運用QSAR原理轉換為結構描述符，再以回歸模型與支持向量機 (SVM) 等機器學習方法建立預測模型，初步結果顯示，對單一機制類型農藥（如乙醯膽鹼酯酶抑制劑）具有較佳之預測準確性。更進一步分析臺灣核准使用的155項農藥中，發現13項具潛在暴露風險，其中5項其暴露量高於AOEL（可接受操作暴露劑量），經計算認定風險不可接受。 本計畫於ICMHI研討會發表該研究成果，並參與多場機器學習及基因組學應用之討論，發現醫學領域已大量應用圖像辨識、數據分析及個人化基因資訊於臨床決策及風險判定中。此一趨勢提供農藥風險評估可行之借鏡路徑，未來可考慮利用農藥毒理資料庫、導入圖像資料（如細胞病變或剖檢影像），或應用深度學習進行病理分析與機轉建模。此外，針對微生物類農藥之基因安全性以及抗生素類農藥，也可參考全基因組分析應用於毒理基因組學與可轉移性抗菌素耐藥性分析。透過此次國際交流，提出人工智慧技術與安全評估之應用可能性，將為我國農藥風險評估提供不同思考面向，並推進農業健康政策跨域整合的可能性。