這項研究探討大型語言模型（LLMs）在醫療應用中的準確性與能耗之間的平衡，特別分析了Meta的Llama 2和LMSYS Org的Vicuna 1.5。研究使用印第安納大學的胸部X光影像資料庫，發現Vicuna 1.5在效率和準確率上表現優於Llama 2。Llama 2的70B模型能耗是7B版本的七倍，但準確率卻較低，效率比僅22.30。結論指出，較小且經過微調的LLMs在醫療應用中更具可持續性，強調選擇模型的重要性，需平衡性能與環境影響。 PubMed DOI

這篇論文探討多模態數據在醫學中的重要性，包括醫學影像、時間序列、音頻、文本、視頻及組學數據。雖然大型語言模型（LLMs）在醫療知識檢索上已有進展，但多數仍專注於文本，未能有效整合各種數據。論文提出一個針對醫學多模態大型語言模型（M-LLMs）的綜合框架，涵蓋原則、應用、挑戰及未來研究方向，旨在促進M-LLMs的整合，提升數據驅動的醫療實踐，並激發對下一代醫療M-LLM系統的討論與創新。 PubMed DOI

開源多語言醫學語言模型的發展，旨在服務不同語言和地區的使用者。主要貢獻包括： 1. **MMedC Corpus**：一個包含約255億詞元的多語言醫學語料庫，涵蓋六種主要語言，促進大型語言模型的適應性。 2. **MMedBench**：一個多語言醫學多選題問答基準，幫助監測多語言醫學模型的進展。 3. **模型評估**：評估各種開源模型在MMedBench上的表現，最終產出MMed-Llama 3，擁有80億參數，表現超越其他開源模型，甚至可與GPT-4競爭。 總之，這項工作提供了全面的語料庫、基準和模型，推進多語言醫學模型的發展。 PubMed DOI

大型語言模型（LLMs）在研究和商業應用中越來越受重視，現在的趨勢是使用參數高效微調（PEFT）方法來開發較小的專用模型，而不需完全微調。研究發現，LoRA在各種任務中表現優異，常與完全微調的模型相當，顯示PEFT方法在臨床決策中有效，特別適合低成本運算。小型模型的優勢如快速處理和低訓練成本，超越大型LLMs的性能。此外，領域特定的預訓練對小型模型也相當重要。完整代碼可在GitHub上找到。 PubMed DOI

這項研究探討大型語言模型（LLMs）在優化醫療工作流程的應用，特別是面對經濟和計算挑戰。研究人員使用真實病患數據，評估了十種不同的LLM，進行超過30萬次實驗。結果顯示，隨著問題和臨床筆記數量增加，模型表現會下降。高容量模型如Llama-3-70b和GPT-4-turbo-128k能有效處理最多50個任務，但超過後表現下降。經濟分析指出，使用串接方式可在50個任務時實現高達17倍的成本降低，顯示LLM在臨床環境中的限制及提升成本效率的潛力。 PubMed DOI

大型語言模型（LLMs）對醫療保健，特別是醫學影像領域，將帶來重大影響。隨著它們發展成能處理文本與影像的多模態模型（LMMs），醫生了解這些技術的基本概念變得相當重要，以便能有效且負責任地使用。文章介紹了標記嵌入、變壓器網絡、自我監督預訓練和微調等基本原則，並深入探討LMMs的技術創建過程及其在醫學影像中的應用。 PubMed DOI

這項研究用三種開源AI模型自動摘要病人影像檢查紀錄，經專業醫師評估，發現AI摘要內容準確、實用又好上手。這樣能幫醫師快速掌握重點，省下查閱時間，資訊品質也沒打折，對放射科工作流程很有幫助。 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

這項研究推出 Meerkat 小型醫療語言模型（7B 和 8B 參數），透過醫學教科書的高品質思路鏈資料和多元指令訓練，強化多步推理能力。Meerkat 在醫學考試和病例挑戰中表現優於其他小型模型，甚至超越人類平均分數，推理品質也獲專家肯定，同時兼顧輕量化和隱私。 PubMed DOI

這篇研究提出 MedBLIP，結合影像編碼器和大型語言模型，有效提升胸腔X光醫學問答表現。透過多層影像特徵擷取和部分解凍模型權重，能更好整合影像與文字資訊。實驗證明，解凍31.25%權重可顯著提升準確率。雖無法取代醫師，但能輔助診斷與研究。程式碼已開源。 PubMed DOI