全球放射科醫師短缺問題日益嚴重，急需創新解決方案，人工智慧（AI）成為一個有潛力的工具。然而，醫療專業人員對AI的信任不足，主要因為許多AI模型運作不透明，稱為「黑箱」。可解釋的人工智慧（XAI）旨在提供透明度，幫助使用者理解AI決策過程。 這項調查是首個針對醫療可解釋用戶介面（XUI）的研究，分析了42個介面，強調有效傳達資訊的重要性。研究提出介面設計屬性分類法，並指出未來研究方向，包括醫療影像的反事實解釋需求及大型語言模型的潛力。提升AI可解釋性對建立信任及臨床整合至關重要。 PubMed DOI

這項研究探討熱帶地區診斷瘧疾和傷寒的挑戰，因為傳統方法在症狀重疊和藥物抗性上遇到困難。強調準確診斷的重要性以降低死亡率。雖然機器學習模型能提供準確預測，但缺乏透明度，讓醫療人員難以理解決策過程。研究採用可解釋的人工智慧技術，特別是LIME和大型語言模型（如GPT），來提升診斷的透明度。結果顯示隨機森林模型表現最佳，並提出整合這些技術的行動應用程式，雖然系統性能受限於數據質量和計算需求，但未來有潛力應用於其他醫療條件。 PubMed DOI

大型語言模型（LLMs）在專業考試中表現出色，讓人對其在臨床實踐中的應用感到興奮。不過，這需要臨床醫師技能的轉變。我們的回顧指出，醫療專業人員需發展以下能力： 1. **跨學科訓練**：結合醫學知識與AI技術的理解。 2. **批判性思維**：評估AI生成內容的能力。 3. **溝通技巧**：有效與患者及團隊溝通AI見解。 4. **倫理與專業精神**：重視AI使用的倫理影響。 5. **適應能力**：持續學習以跟上AI進步。 這些領域的重視將幫助醫師有效利用LLMs，提升患者治療結果並降低風險。 PubMed DOI

這項研究評估了四個AI模型（ChatGPT 3.5、Google Bard、HuggingChat和Claude 2）生成的醫療解釋對病人理解的幫助。結果顯示，Claude 2的可讀性和可理解性最佳，但可行性較低；ChatGPT表現相似。Google Bard和HuggingChat的得分則較差。整體來看，Claude 2和ChatGPT的解釋較為清晰易懂，但研究強調仍需進一步探討這些AI解釋在實際醫療環境中的應用，並指出PEMAT評估的主觀性和AI工具的快速變化是限制因素。 PubMed DOI

這篇文章介紹了一個結構化的方法，幫助醫療專業人員有效運用大型語言模型（LLMs）。重點在於LLMs在臨床文檔和病人試驗匹配等醫療任務中的潛力。方法包括五個關鍵步驟： 1. **任務制定**：找出適合LLM的醫療任務。 2. **選擇LLMs**：根據需求選擇合適的模型。 3. **提示工程**：設計有效的提示來引導回應。 4. **微調**：調整LLMs以符合醫療應用。 5. **部署**：考慮法規、倫理及持續監測公平性。 目的是提供醫療人員安全有效整合LLMs的指導。 PubMed DOI

大型語言模型正快速改變醫療現場，不只協助診斷、提升衛教，也讓臨床流程更有效率。導入時要重視好用的介面、醫師訓練、AI與醫護合作，並落實隱私與倫理規範。未來會朝多模態、強化安全及結合機器人發展，但最重要的還是以病患安全和人本設計為核心，輔助醫療專業而非取代。 PubMed DOI

大型語言模型在醫療文件撰寫和決策輔助上很有潛力，但因準確性、驗證、偏見和隱私等問題，現階段還不適合完全自動化臨床應用。未來要安全有效導入，需加強研究、訂定明確規範，並維持人工監督。 PubMed DOI

**重點摘要：** 這篇綜述說明了大型語言模型（LLMs）在醫療領域的發展過程和重要術語，介紹了LLMs的評估方式，並舉例說明它們在臨床和行政工作上的應用。目的是幫助醫療專業人員了解並將LLMs運用在實際工作中。 PubMed DOI

這項研究發現，LLM像ChatGPT-4o能快速抓到結構和後勤主題，但人類分析師更能掌握情感和心理細節。結合兩者分析，有助提升健康研究的廣度和深度。作者建議未來可採用這種混合方式。 PubMed DOI

大型語言模型（LLMs）在重症醫療上應用快速成長，能提升病人管理、診斷、紀錄和醫療教育等，但也有偏見、可靠性和透明度等問題。導入臨床時，需嚴格驗證，確保安全與倫理，才能真正發揮AI在醫療的正面影響。 PubMed DOI