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

生成式人工智慧，特別是大型語言模型（LLMs），在兒科教育和訓練上有很大潛力。這些模型能幫助教育者改善課程設計、制定個性化學習計畫，並提供即時反饋，還能協助醫生簡化資訊搜尋，提升診所效率。不過，LLMs也可能產生不準確資訊，並引發偏見和倫理問題。因此，專業人士需謹慎使用並審查其輸出。為確保安全有效的應用，相關方應建立明確的指導方針和政策。本文探討了LLMs在兒科教育中的歷史、應用及挑戰。 PubMed DOI

這項研究指出，人工智慧（AI）在兒童放射學的應用上存在重大差距，特別是針對最新的大型語言模型（LLMs），如GPT-4、Gemini 1.5 Pro和Claude 3 Opus。測試結果顯示，這些模型在90張兒童放射影像中，正確診斷率僅27.8%，部分正確率13.3%，錯誤率高達58.9%。研究顯示，儘管多模態LLMs能處理多種輸入，但目前仍缺乏準確解讀兒童放射影像的專業能力。 PubMed DOI

這項初步研究顯示，針對慢性病兒童的病患教育資源有明顯不足，並評估大型語言模型（LLMs）在提供適合發展階段解釋的能力。研究結果發現，兩個常用的LLMs能夠生成準確且有效的回應，幫助兒科病患理解複雜的醫療資訊。這顯示LLMs可能成為提升病患理解與參與臨床環境的重要工具。 PubMed DOI

這項研究探討了多模態大型語言模型（LLMs），特別是GPT-4o和Claude Sonnet 3.5，如何結合文本與視覺資訊進行醫療診斷。研究在120個臨床案例中進行測試，結果顯示在只有文本的情況下，GPT-4o的準確率為70.8%，遠超醫生的39.5%。當加入圖片時，所有參與者的表現都有提升，尤其是醫生的準確率增幅最明顯。GPT-4o在有圖片的情況下達到84.5%，而醫生則為78.8%。這顯示LLMs在視覺數據處理上仍需加強，以達到人類醫生的表現。 PubMed DOI

這項研究探討了一個微調過的GPT-3模型在農村醫療環境中對兒科病例診斷的有效性，因為這些地區專家資源有限。研究分析了路易斯安那州中部的500個兒科就診案例，發現模型準確率達87.3%，敏感度和特異度分別為85%和90%，與兒科醫生的91.3%相當。模型在不同年齡組和常見病症中表現穩定，但對罕見診斷的準確率稍低。總體來說，這個微調的GPT-3模型可作為農村兒科護理的可靠診斷工具，但仍需在不同人群中進一步驗證。 PubMed DOI

重點整理： 雖然AI正在改變醫學領域，但在小兒科方面的研究還很少。這項研究發現，一個免費、未經專門訓練的大型語言模型，針對13種常見小兒感染情境，能夠提供可靠的抗生素處方建議。 PubMed DOI

這項研究發現，雖然Claude等大型語言模型在小兒腎臟科案例上表現最佳，正確率達86.9%，但所有模型都會出現幻覺，甚至可能給出危險建議。即使用專業資料微調，推理能力也沒提升。目前LLM只能在嚴格監督下協助重複性工作，還不適合獨立臨床應用，未來需加強可靠性與可解釋性。 PubMed DOI

這項研究比較五款主流大型語言模型解讀胸部CT報告的能力，發現GPT-4表現最佳，尤其在選擇題上最準確。微調後的GPT-3.5-Turbo也有明顯進步。整體來說，選擇題比開放式問答更容易答對。不同疾病和器官系統的結果有差異。結果顯示，優化後的AI模型有助於提升胸部CT解讀，對外科手術規劃很有幫助。 PubMed DOI

這項研究提出結合特徵摘要、思路鏈推理和混合型RAG架構的新提示工程方法，能提升大型語言模型判讀胸部CT報告、診斷肺部疾病的準確度。用2,965份報告測試，結果比傳統深度學習和其他提示法更準，外部驗證也表現優異。此方法不僅提升可解釋性，也有助臨床更精確診斷。 PubMed DOI