心電圖（ECG）是監測心臟健康的重要工具，但解讀需要專業知識。近期，我們開發了ECG-Language Model（ECG-LM），這是首個能同時處理自然語言和ECG信號的多模態大型語言模型。透過生成文本-ECG配對數據集，ECG-LM在心血管疾病的診斷、節律和形態檢測上表現優於現有方法，顯示出其在疾病預測和問題回答中的潛力。這項技術有望提升臨床診斷的準確性與效率。 PubMed DOI

這項研究評估了GPT-4解讀12導程心電圖的能力，分析了150份心電圖，並將其分類為心律不整、傳導系統異常、急性冠狀動脈症候群等。結果顯示，GPT-4在無臨床背景下的正確率僅19%，但加入臨床情境後提升至45%。特別是在急性冠狀動脈症候群中，準確率從10%增至70%。雖然GPT-4在心電圖解讀上顯示潛力，但準確性受限於臨床背景，顯示目前不適合單獨使用。 PubMed DOI

這項研究提出了一個混合人工智慧（AI）系統，旨在提升自動解讀腦電圖（EEG）的能力，特別針對小型醫院和診所的需求。系統結合深度學習模型、無監督的伪影去除技術及專家算法，能有效預測後顱主導節律（PDR）並檢測異常。使用1530個標記的EEG數據，最佳模型的準確率顯著超越神經科醫生，並在報告生成上達到100%準確率。這個系統不僅可擴展，還能提高診斷準確性，減少誤診情況。 PubMed DOI

這項研究評估了基於ChatGPT的AI模型在解讀心電圖（ECG）的效果，並與心臟科醫生進行比較。分析了107個不同難度的ECG案例，結果顯示心臟科醫生的準確率為92.52%，遠高於AI模型的57.94%至62.62%。雖然AI在女性患者的表現較佳，但整體上仍不如醫生。研究指出，AI模型在ECG解讀上有潛力，但目前的可靠性不足，需進一步研究以提升準確性，特別是在複雜診斷方面。 PubMed DOI

這項研究探討如何透過增強心電圖（ECG）數據，結合心率變異性（HRV）和人口統計資訊（年齡、性別），來提升心房顫動（AF）的檢測準確性。AF是一種常見病症，早期檢測對預防中風和心臟衰竭至關重要。研究分析了35,634份經醫生驗證的ECG記錄，並測試了多種卷積神經網絡模型。結果顯示，整合HRV和人口統計數據顯著提升檢測性能，尤其在靈敏度上有明顯改善，顯示出多模態方法的潛力，未來仍需臨床驗證。 PubMed DOI

這項研究探討心血管韌性對運動員健康和表現的影響，並利用自然語言處理（NLP）和大型語言模型（LLMs）進行生物醫學診斷。研究針對心電圖和臨床記錄等數據集的挑戰，提出了一個混合機器學習框架，結合狼群搜索演算法和RoBERTa模型，提升心血管疾病預測準確性。該系統達到92.5%的準確率，顯示NLP技術在個人化醫療中的潛力，能優化心臟病患者的治療，並改善早期疾病檢測和臨床決策能力。 PubMed DOI

開源大型語言模型能準確擷取心臟超音波報告的重點資料，像是瓣膜疾病嚴重度和人工瓣膜有無，對建立大規模資料庫和疾病監控很有幫助。經過優化後，像Llama3.0-70B、Qwen2.0這些頂尖模型準確率超過98%，但處理速度較慢。小型模型判斷嚴重度較不準，但辨識人工瓣膜還不錯。主要錯誤來自分心或沒照指示。整體來說，LLMs自動化擷取資料很有潛力，但要兼顧準確和效率。 PubMed DOI

研究團隊用開源大型語言模型微調，讓它們能自動整理心臟超音波報告。其中 EchoGPT（基於 Llama-2）表現最好，產出的總結精簡度幾乎和心臟科醫師寫的一樣好。這技術有望加快報告產出速度又不影響品質，但目前評估 AI 報告的方法還需要改進。 PubMed DOI

這項研究用電子健康紀錄和機器學習，預測哪些癌症病人容易發展成心臟衰竭。結果發現，大型語言模型GatorTron-3.9B表現最好，尤其是結合醫療代碼的新特徵後，明顯勝過傳統和其他深度學習模型。這方法有助於更精準找出高風險病人，提升癌症照護品質。 PubMed

這項研究發現，用大型語言模型自動產生心臟衰竭住院摘要，能幫助部分醫師更快回答問題，且準確率沒變。大多數醫師認為這樣能省時間，也願意使用，但摘要格式要配合個人需求。整體來說，LLM有助提升醫師效率，但摘要內容還需客製化。 PubMed DOI