這項研究介紹了MedAdapter，一種新方法，能讓大型語言模型（LLMs）在生物醫學領域適應，而不需微調整個模型。MedAdapter使用小型的BERT適配器來排名LLMs生成的候選解，提升測試時的適應性。實驗顯示，MedAdapter在四個生物醫學任務上，白盒和黑盒LLMs的性能分別提升了18.24%和10.96%。這種方法資源效率高，且保護數據隱私，適合現有方法的靈活選擇。 PubMed DOI

這項研究提出了一種簡化的檢索器，利用BioBERT的上下文詞嵌入來搜尋人類表型本體（HPO），提升大型語言模型在標準化表型術語的準確性。與傳統依賴明確術語定義的方法不同，我們的方法讓GPT-4o在《線上孟德爾遺傳學手冊》的臨床摘要中，標準化準確率從62%提升到85%。這不僅顯示出顯著的準確性提升，還提供了一種比複雜檢索系統更有效的替代方案，顯示其在其他生物醫學術語標準化任務中的潛力。 PubMed DOI

DeepSeek-V3 和 DeepSeek-R1 這類開源大型語言模型，在臨床決策支援上表現不輸甚至超越 GPT-4o、Gemini-2.0 等專有模型。最大優勢是能在本地安全微調，符合醫療隱私規範，非常適合台灣醫療現場應用。 PubMed DOI

用ICD-10資料微調大型語言模型後，自動醫療編碼的準確度大幅提升。模型在代碼與描述配對的精確率從不到1%躍升到97%；應用在臨床紀錄上，精確匹配率達69.2%，分類匹配率87.2%。這能有效減少人工處理時間和錯誤。 PubMed DOI

這項研究推出 CDEMapper 工具，結合語意搜尋和大型語言模型，協助把本地資料對應到 NIH 的標準資料元素。CDEMapper 不只提升對應準確率，也讓操作更方便，有助於資料互通和重複利用。評估結果顯示，這工具比傳統人工方法更有效率，展現 LLM 在資料對應上的優勢。 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

這篇論文比較BERT和Mistral在自動化ICD-10死亡證明書編碼的表現，發現Mistral經微調後，特別在處理罕見代碼時，比BERT更優秀，顯示Mistral更適合提升醫療自動編碼的準確率。 PubMed DOI

SleepBert 是新一代 AI 模型，結合睡眠檢查數據和臨床紀錄，提升睡眠障礙診斷的準確率。它經過微調並加入即時醫學證據檢索，不只比現有模型更快更準，也幫助醫師有效分析複雜數據，找出罕見睡眠障礙的線索。 PubMed DOI

這篇研究推出輕量級生醫多模態小型語言模型 SigPhi-Med，僅用4.2B參數就能在多項醫學視覺問答測試中超越更大型模型。團隊針對模型大小、影像編碼器和訓練策略等進行優化，證明高效又省資源的醫療AI助理是可行的，對臨床應用很有幫助。原始碼已開放於 GitHub。 PubMed DOI

這項研究發現，像 Med-BERT 這種專為醫療設計的大型語言模型，比通用型模型更能處理不同醫院間的資料差異，提升知識轉移效果。通用模型如 OpenAI 需額外微調。未來建議持續研究如何在任務難度、資料量和微調之間取得最佳平衡。 PubMed