深度學習和自動機器學習在臨床影像分析中的應用，可協助醫生運用人工智慧，提升診斷精準度。AutoML平台讓不熟悉技術的醫生也能輕鬆使用深度學習。文章介紹了autoML技術概要、在教育、研究和臨床上的應用，以及autoML項目的階段。同時探討了使用autoML需考慮的道德和技術問題，並強調了其在醫學領域中的潛力。 PubMed DOI

DL和LLMs在放射學中發揮重要作用，但仍需解決挑戰，確保臨床可靠性。放射科醫師應了解這些技術，並堅持醫學安全和道德。 PubMed DOI

人工智慧（AI）模擬人類智慧，深度學習是其一部分，利用人工神經網絡。AI在影像分析、語言處理等方面有用，但也引發安全和就業問題。在醫療領域，AI可提高效率，但需安全標準。必須有規範確保負責任使用AI。歐盟的AI法案是處理規範問題的法律框架。結合AI與人類特質是未來醫療進步的關鍵。 PubMed DOI

深度學習在醫療研究中有顯著進展，尤其在自然語言處理領域。然而，模型複雜性需要解釋性以支持可靠的決策。本文討論了醫療自然語言處理中的可解釋深度學習，介紹了「可解釋和可解釋的人工智慧」（XIAI）概念。不同模型根據功能和範圍進行分類，其中注意機制是常見技術。挑戰在於全局建模過程的有限探索和最佳實踐的缺乏。機會則在於發展多模態XIAI以實現個性化醫療，並將深度學習與因果邏輯結合。在醫療領域成功應用XIAI需要合作和專業知識，以建立可解釋的自然語言處理算法。 PubMed DOI

研究評估AI生成的放射學報告在摘要、友善度和建議方面的效果，並檢視報告質量和準確性。分析685份脊椎MRI報告，AI生成報告表現良好，友善度提升，但也發現部分翻譯問題。結論指出，AI助手可提升報告品質、效率，並推動以病患為中心的放射學護理。 PubMed DOI

深度學習（DL）已成為放射學影像分析的重要工具，傳統上依賴專家標註的數據，但弱監督學習提供了更具可擴展性的選擇。這種方法利用部分標記的數據或可能錯誤的標籤，讓模型在數據不精確的情況下仍能有效訓練。創新應用如從放射學報告中提取弱標籤，能增強深度學習的整合，推動大規模影像分析及新型生物標記的開發，最終改善臨床流程與研究。 PubMed DOI

全球放射科醫師短缺問題日益嚴重，急需創新解決方案，人工智慧（AI）成為一個有潛力的工具。然而，醫療專業人員對AI的信任不足，主要因為許多AI模型運作不透明，稱為「黑箱」。可解釋的人工智慧（XAI）旨在提供透明度，幫助使用者理解AI決策過程。 這項調查是首個針對醫療可解釋用戶介面（XUI）的研究，分析了42個介面，強調有效傳達資訊的重要性。研究提出介面設計屬性分類法，並指出未來研究方向，包括醫療影像的反事實解釋需求及大型語言模型的潛力。提升AI可解釋性對建立信任及臨床整合至關重要。 PubMed DOI

這篇評論著重於放射學中臨床評估人工智慧（AI）的各種結果指標，幫助醫師理解並應用這些指標。除了常見的二元分類和檢測性能指標，還探討了多類別分類、生成式AI模型的評估，以及大型語言模型。評論也提到以病人為中心的結果測量，目的是提供清晰易懂的解釋，協助醫師在放射學中有效運用多樣的AI評估工具。 PubMed DOI

這項研究評估大型語言模型（LLMs）在解釋乳腺影像報告及提供臨床建議的表現，分為兩個步驟： 1. **文本評估**：比較十個LLMs與放射科醫師在100道BI-RADS選擇題上的準確率。Claude 3.5 Sonnet表現最佳（90%），超過一般放射科醫師（78%）和乳腺放射科醫師（82%）。 2. **視覺評估**：測試五個多模態LLMs在100張乳腺超音波影像上的表現，Claude 3.5 Sonnet以59%準確率領先。 研究顯示，雖然LLMs在文本評估中表現良好，但視覺診斷能力有限，需在放射科醫師監督下使用，以避免誤診。 PubMed DOI

這篇文件強調科技對醫學影像教育的重大影響，建議將計算技術、數位影像處理和人工智慧納入本科課程。它指出目前教育實踐的不足，可能影響學生未來的挑戰應對能力。為了解決這些問題，提出了一個全面的課程框架，涵蓋必要的計算技能、先進影像處理技術及人工智慧工具，如ChatGPT。這個框架旨在提升醫學影像教育質量，幫助學生更好地準備專業實踐，並改善診斷準確性及工作流程效率，讓未來專業人員具備應對行業變化的能力。 PubMed DOI