大型語言模型（LLMs）在醫療領域的應用越來越受到重視，能提升診斷準確性和病患照護效率。本研究透過文獻計量分析，探討2021至2024年間的研究趨勢，分析超過500篇相關文章，並使用VOSviewer和CiteSpace工具進行系統性回顧。主要發現顯示，神經網絡在影像診斷和自然語言處理等方面的應用顯著增長，並識別出臨床研究、人工智慧等新興子主題。這項分析不僅概述了當前狀態，還指出未來發展的關鍵領域。 PubMed DOI

這篇文章探討大型語言模型（LLMs）在醫療保健的應用，透過文獻計量分析，篩選出371篇相關期刊文章。結果顯示，LLMs的研究數量在美國、義大利和德國等發達國家顯著增加，並展現出強大的合作關係。LLMs被應用於醫學教育、診斷、治療等領域，但也引發對倫理影響和風險的擔憂，如數據偏見和透明度問題。為了促進LLMs的可靠使用，需建立責任指導方針和監管框架，確保數據的證據基礎。 PubMed DOI

人工智慧（AI）在醫學領域的應用已顯著提升醫療服務與病人結果。本研究分析了2019年至2023年間AI在醫學的發展，使用Web of Science核心合集進行文獻計量分析，並運用VOSviewer和R-bibliometrix工具探討出版趨勢、作者及關鍵字使用情況。 研究發現包括：共識別1,811篇文獻，來自97國的3,583機構，主要貢獻者為美國，哈佛醫學院出版數量最高。《醫學網路研究期刊》因其高引用率而受到重視。四大關鍵字集群為數位健康中的AI、COVID-19與ChatGPT、精準醫療及公共衛生流行病學，顯示AI在病人健康風險討論中的重要性。 PubMed DOI

隨著醫學文獻快速增長，使用大型語言模型（LLMs）來創建臨床評估的興趣也在上升。不過，對於LLMs的可靠性擔憂相當大。一項研究比較了LLM生成的評估與人類撰寫的評估，發現LLMs雖然能快速產出內容，但通常缺乏深度、參考文獻少且邏輯不夠一致。此外，LLMs常引用不知名期刊，且在引用的真實性和準確性上表現不佳。研究強調目前檢測AI生成內容的系統不足，顯示需要改進檢測方法和建立更強的倫理框架，以確保學術透明度。解決這些問題對於負責任地使用LLMs於臨床研究至關重要。 PubMed DOI

生物醫學領域正加速數位化，LLMs 正在改變 NLP 應用，帶來自動化和新發現。雖然有助提升醫療與研究效率，但在準確性、安全性及多元資料整合上仍有挑戰。本文回顧發展歷程、現況與未來趨勢，並分析機會與風險。 PubMed DOI

這篇論文提出用大型語言模型（像 GPT-4o）自動化醫療術語對應 SNOMED CT 等本體，建立 RDF 知識圖譜。研究比較六種系統，發現 GPT-4o 等現代 LLMs 在準確度和語意理解上都比傳統方法好很多，能大幅提升醫療知識圖譜的準確性和資料整合效率。 PubMed DOI

最新的商業大型語言模型（像GPT-4o），在神經影像的中繼資料標註上，表現幾乎跟專業人員一樣好（zero-shot下得分0.91–0.97），錯誤率也差不多，很多分歧其實不是錯誤。這代表LLM很適合大規模自動標註。作者也建議大家建立並分享標註基準資料集，方便未來測試。 PubMed DOI

這篇綜述整理了LLMs在醫療診斷的最新應用，像是疾病分類和醫學問答，特別以GPT-4和GPT-3.5為主。雖然在放射科、精神科等領域表現不錯，但還是有偏見、隱私和法規等問題。未來要加強驗證、減少偏見、提升可解釋性，並統一法規，才能讓LLMs更安全地應用在醫療上。 PubMed DOI

這篇研究用文獻計量分析，整理2022年底到2023年底間3,411篇AI生成內容（AIGC）在醫療領域的論文，發現相關研究快速成長，美國和哈佛大學發表最多。熱門主題包括AIGC的影響、適用性和大眾看法。研究建議未來要加強規範、優化資訊服務、釐清AIGC角色，並推動醫療大型語言模型發展。 PubMed DOI

這篇回顧發現，大型語言模型（LLMs）在個人化醫療診斷上越來越常被應用，能提升診斷準確度並協助量身打造治療。不過，資料隱私、模型解釋性和可靠性還有待加強，未來需持續研究和建立相關保障，才能安心用在臨床上。 PubMed DOI