研究使用 Chat-GPT 協助醫護人員診斷睡眠呼吸暫停症，結果顯示與專業醫師意見一致率超過75%，但整體共識僅有四個問題。儘管 Chat-GPT 一致性中等，仍需改進並與專家合作。人工智慧在醫療領域有潛力，但應視為醫療人員輔助，而非替代。研究強調了人工智慧與人類合作的重要性，並為耳鼻喉學領域帶來啟示，呼籲進一步探索人工智慧在醫療上的應用。 PubMed DOI

研究發現大型語言模型在耳鼻喉科疾病診斷中表現不錯，ChatGPT-3.5準確率最高達89%，建議仍需醫師監督。 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

傳統的預訓練和微調方法對於常見疾病有效，但對於罕見職業病如塵肺診斷困難。大型語言模型（LLMs）在多任務對話診斷中有潛力。新策略使用適配器層進行視覺-語言對齊，透過對話診斷，雖然挑戰性高，但可提高LLMs效果。移除文本分支、替換對話頭為分類頭，以增進LLMs效能。引入上下文多令牌引擎平衡圖像資訊和準確診斷，並使用信息發射器模塊單向信息流。實驗證實這些方法有效。 PubMed DOI

這項研究探討大型語言模型（LLMs）在診斷下顎畸形的應用，目的是改善數據解釋，讓臨床醫師更容易使用。研究中將頭影測量數據轉換為文本，並分析多種LLM，如LLAMA-2和GPT模型，與傳統方法比較。結果顯示，較大的LLM在少量訓練下表現良好，減少分類模糊性，提升信息可及性和可解釋性。這些模型對經驗較少的醫師或資源有限的環境特別有幫助，未來隨著醫療數據集的改進，LLM的準確性和適用性將進一步提升。 PubMed DOI

這項研究評估了多個大型語言模型（LLMs）在耳鼻喉科及頭頸外科臨床選擇題的表現。使用4,566個問題的數據集，結果顯示GPT-4表現最佳，正確率達77.1%，其次是MedPaLM的70.6%。其他模型如Llama3、GPT-3.5和PaLM2的正確率分別為66.8%、58.5%和56.5%。提供推理提示能提升準確性，GPT-4更修正了31%的錯誤。雖然LLMs在耳鼻喉科的理解上有差異，但GPT-4在教育上仍具潛力，需注意其局限性。 PubMed DOI

這篇系統性文獻回顧探討了人工智慧（AI）在耳鼻喉科的應用，分析了AI演算法在預測和檢測耳鼻喉疾病的研究，並強調其有效性和面臨的挑戰。研究從多個知名數據庫中選取2018至2024年的資料，最終回顧了27篇研究，發現62.5%的研究在疾病預測上有效。結果顯示，預訓練的深度學習模型表現優於卷積神經網絡，準確率介於75%到97%之間。儘管許多模型準確率超過90%，但數據質量和變異性仍是挑戰，呼籲進一步研究以提升AI的應用效果。 PubMed DOI

這項研究評估了ChatGPT-4o在解讀懷疑有阻塞性睡眠呼吸暫停症患者的多導睡眠圖的有效性，並與認證睡眠醫師的解讀進行比較。主要發現顯示，對於簡單案例，診斷一致性高達97%，治療建議一致性為100%。但在複雜案例中，診斷一致性降至70%，治療建議則降至44%。研究強調精確提示能提升AI表現，顯示AI在睡眠醫學的潛力，但仍需進一步研究以解決數據保護問題並驗證結果。 PubMed DOI

這項研究評估了大型語言模型 ChatGPT-4o 在提供阻塞性睡眠呼吸暫停症（OSA）治療病人支持的有效性，特別針對正壓呼吸治療（PAP）和舌下神經刺激治療（HGNS）。研究發現，ChatGPT-4o 在提供 PAP 醫學資訊方面表現較佳，平均得分為 4.9，而 HGNS 為 4.6，且有顯著差異。專家評估顯示，PAP 回應的完整性高達 88.24%，而 HGNS 僅 54.9%。總體而言，ChatGPT-4o 可作為睡眠醫學中病人支持的有用工具，但在 HGNS 方面仍有改進空間。 PubMed DOI

大型語言模型（LLMs）在基礎牙科護理中展現潛力，特別是在診斷口腔疾病方面。評估顯示，這些模型在診斷顳顎關節障礙、牙周病、齲齒和錯牙合等病症上都有不錯的表現。特別是ChatGPT 3.5在中文中對牙髓炎的診斷能力從0%提升至61.7%，但對冠周炎的診斷能力下降。相比之下，ChatGPT 4.0在牙髓炎和冠周炎的診斷上都有顯著提升。總體來看，雖然LLMs在牙科護理中有潛力，但仍需進一步改進。 PubMed DOI