這項研究用電子健康紀錄和機器學習，預測哪些癌症病人容易發展成心臟衰竭。結果發現，大型語言模型GatorTron-3.9B表現最好，尤其是結合醫療代碼的新特徵後，明顯勝過傳統和其他深度學習模型。這方法有助於更精準找出高風險病人，提升癌症照護品質。 相關文章 PubMed 推理 ♡

這篇研究比較GPT-4大型語言模型、深度學習和機器學習三種方法在電子病歷症狀標準化上的表現。結果發現，GPT-4表現最好，顯示大型語言模型很有潛力成為未來醫師筆記自動化分析的主流工具，有助於推動精準醫療發展。 相關文章 PubMed 推理 ♡

這篇文章說明大型語言模型（LLMs）能準確從臨床文本抓取數值資料，像是檢驗數據和生命徵象。作者提出新提示策略和方法，能有效降低錯誤，並在標註病歷上驗證成果，也證明這方法適用於大量器官捐贈者資料分析，有助提升器官採集資料的研究可用性。 相關文章 PubMed 推理 ♡

這個專案用AI技術（像是句子嵌入和k-means分群），幫醫療政策資料庫減少重複政策。透過Python原型程式，和認證團隊合作，政策數量減少4%，有效提升管理效率、減輕人力負擔，也展現AI在醫療政策管理上的應用潛力。 相關文章 PubMed 推理 ♡

PathSAM 把 Segment Anything Model（SAM）用在口腔癌病理影像上，能有效處理影像複雜和變異大的問題。在 ORCA 和 OCDC 兩大資料集上，PathSAM 的準確度和細緻度都勝過傳統方法。結合大型語言模型後，分割結果更清楚易懂，不只協助醫師判讀，也讓醫病溝通更順利，是很有潛力的醫療診斷工具。 相關文章 PubMed 推理 ♡

這項研究比較了PubTator 3.0、BioBERT和大型語言模型在生醫文獻資訊擷取上的表現。PubTator 3.0和BioBERT在找基因、藥物等實體最準，而BioBERT在判斷實體間關聯性最強。整體來說，AI輔助的NLP技術有助於整合生醫知識，推動精準癌症治療發展。 相關文章 PubMed 推理 ♡

這篇論文比較了 GPT-3.5-Turbo、FLAN-T5 和 BERT 等大型語言模型在健康社群媒體情感分析的表現。結果顯示，LLMs 比傳統工具（像 VADER）表現更好，但準確度還有進步空間。透過調整提示語和微調，尤其是 BERT，效果會更好。研究也建議未來要在標註資料少的情況下，持續優化這些模型。 相關文章 PubMed 推理 ♡

這篇研究發現，ChatGPT在臨床專業有限時，能協助產生乳癌研究用的合成資料，但資料品質很依賴提示語設計和產生方法。要讓合成資料在醫療研究中可靠，必須重視有效的提示語設計和謹慎的資料合成技術。 相關文章 PubMed 推理 ♡

我們用 AWS 和 Azure 上的生成式 AI（GPT-3.5、Flan T5-XL）來產生病患系統的合成問卷資料，提升測試效率和覆蓋率。過程中遇到技術、溝通和資源挑戰，尤其在資料真實感和測試限制間要取得平衡。建議一開始就共識評估指標、明確設計 persona 和提示詞，並建立彈性測試框架。 相關文章 PubMed 推理 ♡

這項研究用RAG技術強化大型語言模型在醫學問答的表現，不用重新訓練模型。透過加入相關醫學事實，模型準確率明顯提升（像Vicuna-7B在MedQA-SMILE從44.46%進步到48.54%），證明RAG能讓LLM在專業領域更有效率，也更透明。 相關文章 PubMed 推理 ♡