生成式人工智慧（AI）和大型語言模型在資訊處理上有重大進展，特別是在醫學教育中。雖然這些技術帶來機會，但也面臨挑戰，如生成錯誤資訊、偏見、實施成本高及數據安全問題。為了克服這些挑戰，建議改善AI訓練數據、建立驗證流程及遵循倫理指導。儘管如此，生成式AI仍有潛力提升醫學教育，包括個性化教學、模擬臨床情境、及時反饋和簡化評估等，未來可望為醫療專業人員提供更有效的學習體驗。 PubMed DOI

隨著大型語言模型和人工智慧工具在健康專業入學申請中的使用增加，帶來了機會與倫理挑戰。研究回顧了1706篇文獻，最終納入18篇，探討了AI在篩選申請者、生成個人陳述、偵測AI生成內容及推薦信分析中的應用。雖然AI能提升效率，但亟需明確指導方針來應對倫理問題，特別是在護理教育方面，還需進一步研究。 PubMed DOI

本研究探討放射科研究生對大型語言模型（LLMs）的認識及其在醫學教育中的實用性。透過線上調查，共252名研究生參與，結果顯示約47.62%的人對LLMs有了解，71.82%認為將其與傳統教學結合有潛力。大多數受訪者願意使用LLMs作為學習工具，但對其局限性仍有擔憂。整體來看，研究生對LLMs持正面態度，並認同其在教育中的潛在好處。 PubMed DOI

這篇論文探討生成式人工智慧（GenAI）對研究生醫學教育（GME）的影響，指出其帶來的機會與風險。機會包括減輕電子健康紀錄的負擔、增強臨床模擬、個性化教育、支持研究與分析，以及改善臨床決策。不過，論文也提到風險，如AI輸出不準確、過度依賴AI資訊、學術誠信問題、潛在偏見及隱私風險。隨著GenAI技術的進步，理解其優缺點將變得相當重要。 PubMed DOI

AI 在急診醫學應用越來越多，像是影像判讀、病患分級等，準確率約有 85–90%。雖然在影像判讀和醫學教育很有潛力，但要真正落實到臨床還有不少挑戰，還需要更多大型研究來驗證。 PubMed DOI

NLP和大型語言模型在醫學研究所教育中，能自動化回饋、個人化學習和能力評估，減少行政負擔並提升訓練成效。不過，演算法偏誤、隱私和倫理問題仍待解決。未來需更多研究和跨領域合作，才能安全且有效地導入這些技術。 PubMed DOI

最新系統性回顧分析21篇研究，發現AI在骨科手術教育越來越常見，主要用來提升手術技巧和知識學習，並提供個人化回饋。雖然AI有潛力改變骨科訓練，但目前證據還不夠，需要更多嚴謹研究來驗證成效。 PubMed DOI

AI 尤其是大型語言模型，正快速改變醫學教育，從招生、課堂到臨床學習和評量都有影響。AI 可簡化審查流程、提升學習體驗、協助臨床決策與自動評分，但也有演算法偏見、透明度不足和倫理疑慮等挑戰。建議審慎、以實證方式導入，才能負責任地應用 AI。 PubMed DOI

這篇綜述指出，AI在醫學住院醫師甄選主要用來評估偏見、預測錄取結果，以及和人工審查比較。雖然AI有助提升效率和公平性，但也可能複製偏見、適用性有限，且透明度不足。未來還需要更多研究，才能讓AI在甄選過程中更負責任且有效地運用。 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