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

這項研究探討大型語言模型（LLMs），特別是LLaMA模型在放射腫瘤學中生成醫師信件的應用，重點在隱私與效率。研究發現，未經微調的LLaMA模型效果不佳，但QLoRA演算法能在有限資源下進行有效微調，使模型學習相關資訊並生成符合機構風格的信件。結果顯示，8B LLaMA-3模型在生成摘要報告上表現優於13B LLaMA-2模型。醫師評估認為，微調後的模型能有效生成信件的基本內容，並在適當審查下具實際臨床價值。 PubMed DOI

這篇論文針對醫療領域中安全實施大型語言模型（LLMs）的需求，提供了具體指導方針。雖然LLMs有助於改善醫療功能，但目前缺乏實用建議。作者提出逐步方法，包括保護病人隱私、調整模型以符合醫療需求、微調超參數、設計醫療提示、區分臨床決策支持應用、評估輸出質量及建立模型治理框架。此外，論文介紹了ACUTE助記符，幫助評估LLM回應的準確性、一致性、語義不變性、可追溯性及倫理考量，旨在協助醫療機構安全整合LLMs。 PubMed DOI

數位健康領域正朝向個人化醫療發展，但面臨醫療資源不足的挑戰。大型語言模型（LLMs）雖提升了理解能力，但有時會產生不準確的結果，影響病人安全。為解決此問題，本研究提出了CHATCBD，一個數位醫院框架，透過可控的AI代理和自我審核機制，提升診斷可靠性。CHATCBD還利用區塊鏈技術去中心化監管，增強病人中心的決策，並確保審核的專業性。實驗結果顯示，CHATCBD顯著提升了LLMs在個人化醫療中的表現。相關代碼可在 https://github.com/LDDLQ/ChatCBD 獲得。 PubMed DOI

這項研究探討如何將電子健康紀錄（EHRs）與自然語言處理（NLP）及大型語言模型（LLMs）結合，以改善醫療數據管理和病人照護。研究使用MIMIC III數據集，採用GPT-3.5、GPT-4等模型生成符合HIPAA要求的合成病人紀錄。結果顯示，基於關鍵字的方法在隱私保護上風險較低，且保持良好性能，建議未來可考慮使用虛擬的PHI來提升實用性與隱私保護。 PubMed DOI

這項研究評估了一個保護隱私的大型語言模型（LLM）在比對MRI報告的發現及追蹤變化的有效性。研究分為兩個階段：首先，LLM比對後續報告與先前報告的發現；其次，評估這些發現的變化。使用的數據集包含240份身體MRI報告和134份無對比劑的胸部CT報告。TenyxChat-7B LLM在七個模型中表現最佳，內部數據集F1分數達85.4%，外部數據集為81.8%。結果顯示，該模型能有效協助結構化報告，改善醫師之間的溝通。 PubMed DOI

這篇論文提出一種結合DNA編碼和大型語言模型的醫療影像加密方法。先用LLM預處理和壓縮影像，再進行DNA加密，並加入排列和擴散步驟提升安全性。實驗結果顯示，這方法在多項安全指標上都優於現有技術。 PubMed DOI

開源大型語言模型能準確擷取心臟超音波報告的重點資料，像是瓣膜疾病嚴重度和人工瓣膜有無，對建立大規模資料庫和疾病監控很有幫助。經過優化後，像Llama3.0-70B、Qwen2.0這些頂尖模型準確率超過98%，但處理速度較慢。小型模型判斷嚴重度較不準，但辨識人工瓣膜還不錯。主要錯誤來自分心或沒照指示。整體來說，LLMs自動化擷取資料很有潛力，但要兼顧準確和效率。 PubMed DOI

這篇論文提出 HELP-ME 三階段架構，能系統性評估並保護醫療大型語言模型的病患隱私，不會影響模型效能。它用提示詞檢測隱私問題，並透過混淆技術保護資料。實驗證明，HELP-ME 在真實醫療資料上能有效守護隱私，同時維持高診斷準確率，是醫療 LLMs 的實用安全方案。 PubMed DOI

這項研究比較了幾款中型開源語言模型在去除法文臨床紀錄個資的表現，重點是能在一般電腦上運作。結果發現，Mistral 7B 微調後表現最好，準確率高達0.97，且幾乎不會改動原文內容。這方法能有效保護病患隱私，讓臨床資料更安全地用於醫療研究和系統優化。 PubMed DOI