醫學專家可能更信任人工智慧（AI）系統，若有「情境解釋」支持，將系統推論與現實應用連結。研究聚焦於合併症風險預測，探討如何利用醫學指南資訊為AI提供情境。透過大型語言模型（LLMs）建立端對端AI流程，研究顯示情境解釋可改善臨床對AI模型的理解與應用。結果顯示，像BERT和SciBERT的LLMs可有效提供臨床相關解釋，有助增進臨床醫師對AI模型的應用。 PubMed DOI

研究使用ChatGPT-4改善尋找糖尿病酮酸中毒指南的方法。結果顯示整合ChatGPT-4和「Link Reader」插件可提升效率，雖然也有挑戰。這種系統化方法和插件整合提供了自動化醫學文本合成的框架，增進人工智慧模型提供正確資訊的能力。未來人工智慧模型和軟體整合的進展有望改善醫學建議和實踐。 PubMed DOI

這項研究探討了大型語言模型（LLMs）如ChatGPT和Google Bard在從臨床摘要中預測神經病理診斷方面的應用。這些LLMs在某些案例中準確識別了主要診斷並提供了其預測的理由。研究結果表明，像ChatGPT這樣的人工智慧工具可能有助於增強神經病理學的臨床病理會議中的討論。 PubMed DOI

將ChatGPT等大型語言模型融入醫學教育，或許能透過探究式學習培養批判思考和解決問題的能力，但必須進一步研究其實際效果。這項科技轉變需要重新檢視課程設計和評量方式。在倫理層面，需注意AI偏見問題以確保公平。LLMs或許可縮小醫學教育的全球差距，提供更廣泛的知識，但應謹慎應用，以培育具備能力和道德的醫學專業人才。 PubMed DOI

病理學領域有進展，如開發預測模型和視覺編碼器，但研究通用人工智慧助手卻有限。PathChat整合視覺編碼器、語言模型，經大數據訓練，用於人類病理學。在診斷上表現優異，得到專家好評，對病理學教育、研究和臨床決策有應用價值。 PubMed DOI

人工智慧（AI）如ChatGPT的迅速發展，引起醫療和教育界的關注。雖然AI在日常醫療任務和影像評估上展現潛力，但其依賴的模式識別演算法也帶來挑戰。這篇評論探討AI對醫學教育的影響，特別是在批判性思維和臨床推理的培養上。將比較假設演繹推理與歸納推理，並討論認知偏見對診斷錯誤的影響。透過案例分析，指出AI在醫療中的局限性，並建議未來醫學教育應重視批判性思維與臨床推理。 PubMed DOI

這項研究探討五種知識管理方法在臨床決策支持系統中的應用，目的是提升醫療服務並追求零錯誤。方法包括： 1. **影像數據模式識別**：利用機器學習分析醫學影像，快速處理大量數據，但需克服影像質量和標註數據的挑戰。 2. **結構化醫療數據挖掘**：從電子健康紀錄中提取見解，提供即時分析，但可能面臨數據孤島問題。 3. **文本挖掘**：從醫學文獻中提取資訊，保持系統更新，但需處理大量非結構化數據。 4. **可計算知識設計**：創建正式的醫學知識表示，便於整合，但需持續維護。 5. **大型語言模型**：利用語言模型理解臨床知識，靈活但可能面臨準確性問題。 研究評估這些方法的優缺點，旨在指導有效的CDS系統開發。 PubMed DOI

這份協議介紹了LLM-AIx工作流程，利用大型語言模型（LLMs）從非結構化的臨床文本中提取結構化信息，解決手動審查的困難。流程包含四個步驟：問題定義與數據準備、數據預處理、基於LLM的信息提取及輸出評估。LLM-AIx可在本地醫院實施，確保病人數據安全，並已在虛構的肺栓塞臨床信件及癌症基因組計畫的病理報告中成功應用。系統設計友好，讓無程式設計背景的使用者也能輕鬆操作，提升臨床研究與決策效率。 PubMed DOI

生成式人工智慧（GAI）技術有望顯著改變臨床病理學的工作流程，主要應用於教育、數據挖掘、決策支持等方面。這篇評論探討了GAI在臨床化學、微生物學等子專科的具體案例，並指出了偏見、幻覺等潛在挑戰，以及整合到現有工作流程中的困難。強調人類監督的重要性，以確保病人結果的意義。總之，GAI在提升醫療服務上潛力巨大，但需謹慎考量其局限性和用戶接受度。 PubMed DOI

將臨床知識融入人工智慧（AI）系統，分析非結構化的臨床對話，對提升可解釋性及心理健康從業人員（MHPs）的信任非常重要。本研究針對AI可解釋性挑戰，利用未開發的心理健康數據，特別是憂鬱症相關內容。 我們開發了一種名為PSAT的新架構，將臨床實踐指導方針納入注意力機制，並透過SNOMED-CT轉換為機器可讀格式，生成易於理解的解釋。評估結果顯示，PSAT在分類準確性及提供有意義解釋方面表現優異，對心理健康應用中的AI篩檢工具具有重要意義。 PubMed DOI