這篇論文討論了生成式人工智慧在醫療保健上的應用，包括診斷、藥物研發、虛擬健康助手、醫學研究和臨床決策。它強調整合生成式AI到醫療系統的優勢與挑戰，並強調解決安全和隱私問題的重要性。這研究提供未來發展生成式AI系統在醫療上的參考，也為考慮採用這些解決方案的組織提供了洞見。 PubMed DOI

介紹了Orbital Learning，一個新的醫療學習系統，旨在解決現有方法的問題，如聯邦學習和群體學習。透過分組和移位參與者，提高性能和準確性。結合分割學習和集成學習，強化監督模型性能。心電圖心律失常分類示例顯示，Orbital Learning優於聯邦學習。結果顯示Orbital Learning有效解決問題，並展現處理大型語言模型的可擴展性。 PubMed DOI

大型語言模型（LLMs）有潛力幫助醫生診斷和改善與患者溝通，提升醫療品質。然而，數據隱私、數位素養不足及整合到臨床工作流程的挑戰限制了應用。為了充分發揮潛力，必須培訓醫護人員使用LLMs，並促進跨學科研究，將人工智慧轉化為智慧增強。 PubMed DOI

大型語言模型（LLMs），像是OpenAI的ChatGPT，雖然能生成類似人類的文本，但在網路使用時會有數據隱私的風險，因為用戶資料會傳送到外部伺服器。為了解決這個問題，我們探討在安全的本地網路中使用開源的小型LLMs，特別是在需要保護數據的監管機構中。我們發現某些模型在少量或零樣本學習中表現不錯，甚至達到傳統神經網路的效果，顯示出在安全環境中使用開源LLMs的潛力。 PubMed DOI

隨著生成式人工智慧在醫療保健中的關注增加，學術醫療中心對安全基礎設施的需求愈加迫切。若缺乏全面的安全系統，研究人員可能會開發不安全的流程，導致受保護的健康資訊洩露或被不當用於AI模型訓練。為了解決這些問題，我們機構已建立安全通道，連接Azure OpenAI Service，並使用私人OpenAI實例，確保數據隱私。這樣的設置讓研究人員能合規且高效地利用大型語言模型，應用於醫療保健領域，強調集中式、安全AI解決方案的重要性。 PubMed DOI

這項調查探討了基礎模型（FMs）在人工智慧中的影響，特別是它們如何與聯邦學習（FL）結合應用於生物醫學研究。像ChatGPT、LLaMa和CLIP等模型透過無監督預訓練和人類反饋強化學習，提升了機器學習的能力，能處理臨床報告和診斷影像等多種數據。結合基礎模型與聯邦學習，不僅能分析數據，還能保護醫療數據隱私，改善醫療診斷和個性化治療。調查也指出了當前的挑戰，並建議未來的研究方向，以促進醫療保健的創新。 PubMed DOI

這篇評論探討大型語言模型（LLMs）與聯邦學習（FL）的結合，旨在解決隨著LLMs規模擴大而出現的高品質數據不足問題。文章將這一整合分為三個領域：LLM子技術與FL的結合、FL子技術與LLMs的整合，以及兩者的全面合併。評論提供了當前研究的全貌，包括應用、優勢、挑戰及未來方向，並討論了在醫療、金融和教育等重要領域的實際應用，為未來的研究提供新見解。 PubMed DOI

電子健康紀錄（EHRs）與大型語言模型（LLMs）結合使用時，隱私挑戰不容忽視。雖然GDPR和HIPAA提供基本保護，但仍需具體策略來降低風險。可採用以下方法： 1. **本地部署LLMs**：在設備上運行，確保健康數據不外洩。 2. **合成數據生成**：創建模擬數據，保護病人隱私。 3. **差分隱私**：在數據中添加噪音，防止推斷個人信息。 4. **去識別化**：移除可識別信息，遵守隱私法規。 透過這些策略，組織能在利用生成式AI的同時，強化病人隱私保護。 PubMed DOI

這項研究著重於建立安全的基礎設施，以便在醫療保健中使用大型語言模型（LLMs），特別針對數據安全和病人隱私的問題，並確保符合HIPAA規範。研究團隊在私有的Azure OpenAI Studio上部署，提供安全的API端點，並測試了兩個應用：從電子健康紀錄中檢測跌倒，以及評估心理健康預測中的偏見。這個框架成功確保了病人隱私，讓研究人員能安全處理敏感數據，為醫療機構提供可擴展的解決方案。 PubMed DOI

將大型語言模型（LLMs）應用於醫療保健有潛力提升病患照護與運營效率，但需謹慎整合，面臨技術、倫理及法規挑戰。 技術上，封閉式LLMs易於部署但可能影響數據隱私；開放式LLMs則可客製化，增強數據控制，但需更多資源與專業知識。倫理上，必須遵循指導方針以保護病患機密性，並確保透明度與責任。法規框架也需建立以保障病患權益。 因此，臨床醫生、研究人員與科技公司之間的合作至關重要，能促進技術穩健且符合倫理的LLMs發展，最終改善病患治療結果。 PubMed DOI