準確評估心電圖對病人照護很重要。電腦化ECG解讀有限制，尤其在專家資源有限的情況下。人工智慧系統有提高準確性的潛力，但也有挑戰。新模型ECG-GPT能生成專家級診斷，在各種環境中表現強大。這個模型可幫助全球改善ECG解讀，特別是在資源不足的地區。 PubMed DOI

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

研究發現ChatGPT-4V在解釋心電圖並回答問題方面表現不錯，準確率達83.87%，但在計數問題上較弱。在臨床應用仍需改進，需要進一步研究。ChatGPT未來或許可協助醫護人員解讀心電圖和進行心血管護理。 PubMed DOI

大型語言模型（LLMs）是現代機器學習工具，可解讀非結構化文本並做預測。已普及應用，初期用於生成標題、總結文本等，現已擴展至臨床和學術領域。在醫學中，LLMs可解釋複雜概念、改進臨床決策，但仍有限制，如生成錯誤內容、缺乏原創性。人類監督對於使用LLMs至關重要，解決挑戰可最大化好處並降低風險。文章探討LLMs功能、限制，尤其對心臟病學的影響，展示其轉型潛力和技術限制。 PubMed DOI

這項研究評估了三種大型語言模型（LLMs）—GPT-4、GPT-4o 和 Gemini Advanced—在解讀心電圖（ECGs）的表現，並與心臟科醫生及急診醫學專家的表現進行比較。研究結果顯示，心臟科醫生的表現始終優於這些模型，急診醫學專家在常規心電圖評估中也超越了GPT-4o。雖然GPT-4o在某些挑戰性案例中展現潛力，但整體準確性和一致性仍不及人類專家，顯示在臨床應用中使用這些模型存在風險。 PubMed DOI

心血管疾病是全球主要的死亡原因，早期檢測仍然面臨挑戰。人工智慧（AI）在改善早期診斷方面展現潛力，特別是深度神經網絡能提高醫學影像的解讀準確性，發現心臟科醫生可能忽略的細節。隨著變壓器模型和大型語言模型的進步，AI能更好整合電子健康紀錄、影像和基因數據，幫助識別高風險患者並制定預防策略。儘管AI能提供即時診斷支持，但在臨床應用前仍需解決數據隱私和診斷錯誤等風險。本文探討AI在心血管醫學中的機會與挑戰。 PubMed DOI

這項研究針對從非結構化的心血管診斷報告中提取數據的挑戰，特別是經胸心臟超音波檢查（TTE）報告。研究人員開發了一個兩步驟的過程，利用Llama2 70b和Llama2 13b模型。首先，Llama2 70b根據3,000份報告生成各種格式的TTE報告；接著，Llama2 13b（HeartDx-LM）微調這些報告以提取臨床數據。結果顯示，HeartDx-LM在多個數據集上表現優異，成功自動化將非結構化報告轉為結構化數據，提升心血管護理並促進研究，並已公開供使用。 PubMed DOI

所提議的知識增強心電圖（ECG）診斷基礎模型（KED）結合大型語言模型，整合ECG信號的專業知識。KED在80萬份來自約16萬名病人的數據上訓練，展現出優異的零樣本診斷能力，能有效診斷多種心臟病症，適用於各年齡層。即使面對未經訓練的疾病，KED也能表現良好。在與三位心臟科醫生的比較中，KED在診斷七種常見ECG類型上表現出色，強調其在多中心數據及新疾病上的泛化能力。 PubMed DOI

這項研究評估了GPT-4解讀12導程心電圖的能力，分析了150份心電圖，並將其分類為心律不整、傳導系統異常、急性冠狀動脈症候群等。結果顯示，GPT-4在無臨床背景下的正確率僅19%，但加入臨床情境後提升至45%。特別是在急性冠狀動脈症候群中，準確率從10%增至70%。雖然GPT-4在心電圖解讀上顯示潛力，但準確性受限於臨床背景，顯示目前不適合單獨使用。 PubMed DOI

這項研究探討多模態大型語言模型（LLMs）在12導程心電圖（ECG）影像上進行零樣本視覺問題回答（VQA）的應用。結果顯示，雖然模型能提供答案，但在準確提取和描述影像特徵方面常出現錯誤。相比之下，它們在描述前提條件和邏輯推理上表現較好。研究強調提升影像特徵準確性的重要性，並指出僅依賴多選題的正確率無法全面評估VQA系統的表現，顯示出解釋複雜醫學影像的挑戰與限制。 PubMed DOI