**重點摘要：** 這項研究顯示，使用 prompt-tuning 搭配大型臨床語言模型（GatorTronGPT）可以有效地摘要醫師與病患之間的對話，不僅表現優於以往經過 fine-tune 的模型，而且更有效率，因為不需要更新模型的參數。 相關文章 PubMed 推理 ♡

這項研究發現，像 Med-BERT 這種專為醫療設計的大型語言模型，比通用型模型更能處理不同醫院間的資料差異，提升知識轉移效果。通用模型如 OpenAI 需額外微調。未來建議持續研究如何在任務難度、資料量和微調之間取得最佳平衡。 相關文章 PubMed 推理 ♡

這篇研究發現，大型語言模型在沒經過特別訓練下，結合檢索增強生成（RAG）和提示工程，能有效自動摘要專業資訊，表現不錯。不過，還是會遇到像網頁爬蟲限制和偶爾誤解任務等問題，未來還需要進一步優化。 相關文章 PubMed 推理 ♡

這項研究提出一套結合Google Gemini和特徵導向提示的可解釋AI架構，能自動從高精度眼動追蹤數據中偵測兒童弱視。方法透明、可信度高，分類準確，特別適合資源有限地區用於弱視篩檢，有助於臨床決策支援工具的發展。 相關文章 PubMed 推理 ♡

**重點摘要：** 這項研究顯示，GPT-4 可以準確自動化新耳鼻喉科轉診的預先病歷整理，在測試中與醫師的意見有 95% 的一致率。這個工具在實際診間中也獲得不錯的回饋，不過使用者覺得它節省的時間比預期的還要少。這次採用的設計策略，未來也可以作為自動化病歷摘要工具的參考。 相關文章 PubMed 推理 ♡

這項研究開發了一套自動化系統，運用大型語言模型和自然語言處理，從文獻中擷取健康社會決定因素，並結合阿茲海默症的生物資料建立知識圖譜。透過圖神經網路預測關聯，有助於了解社會因素對AD風險的影響，且方法也適用於其他健康議題。程式碼已公開在GitHub。 相關文章 PubMed 推理 ♡

這篇研究發現，就算只有少量高品質標註，只要用像 GPT-4o 這種高品質合成標註來微調 Llama 3.1-8B 這類輕量級語言模型，醫療任務表現也能大幅提升（micro F1 可達 0.91）。即使合成標註品質較差，微調後的模型表現還是能超越原本的雜訊標註，顯示模型很有韌性，合成資料在醫療 LLM 微調上很有潛力。 相關文章 PubMed 推理 ♡

這項研究分析超過9萬則推特，並精細標註1,000則推文，提升辨識藥物與膳食補充劑關係的能力。結合BioBERT和ChatGPT，關係偵測準確率很高（F1值最高0.99），但實體辨識較難，因為類型太像。這方法有助於監測補充劑使用和藥物交互作用，也證明傳統NLP和大型語言模型結合在醫療文本分析上很有潛力。 相關文章 PubMed 推理 ♡

**重點整理：** 大型語言模型可以準確分類安全事件通報（例如：職場暴力、溝通失誤），協助醫療機構快速掌握安全趨勢，並透過自動化分析來提升職場安全。 相關文章 PubMed 推理 ♡

這項研究發現，結合 soft prompt-based learning 和大型語言模型（像 GatorTronGPT），能大幅提升從不同醫院和疾病的臨床文本中萃取社會健康決定因素（SDoH）的效果。經過 prompt-tuning 的 GatorTronGPT，F1 分數最高比傳統 fine-tuned 模型多出 21.8%，顯示它在跨領域應用上表現更好。 相關文章 PubMed 推理 ♡