2.1 監督學習、非監督學習、深度學習、LLM

人工智慧（AI）在醫療領域歷經長期發展，初期從如 INTERNIST-1 (1971) 及 MYCIN (1970年代) 等基於規則的醫療專家系統開始，演變至今日的統計與神經網路模型。在此發展背景下，除了來自電子健康紀錄（EHR）、物聯網（IoT）裝置、基因體資料庫等產生的龐大資料量外，還有算力的革新性提升。AI 現今在醫療診斷、治療計畫、紀錄管理、病患溝通等多個醫療領域扮演關鍵角色，並為提高醫療服務的效率與準確性作出貢獻。

機器學習（Machine Learning, ML）的基本概念

機器學習是 AI 的子領域，專注於透過資料集的經驗自行學習與改善，並識別與分析模式的技術。在醫療領域中，ML 被廣泛應用於疾病分類、病患風險分層、治療結果預測等。ML 模型主要分為兩種學習方式。第一，監督學習（Supervised Learning）是使用手動標記的訓練資料來訓練演算法的方式。例如，利用在 MRT 影像中手動標註腫瘤的資料，訓練演算法精準識別腫瘤。第二，非監督學習（Unsupervised Learning）是在沒有標籤的資料中獨立識別模式或異常徵兆的方式。這對於發現新的疾病亞型或病患群體（cohort）非常有幫助。此外，雖然也存在強化學習（Reinforcement Learning）等其他學習範式，但在臨床環境中使用頻率較低。ML 透過審視龐大且複雜的醫療資料集，提升醫療決策的準確性與個人化。

深度學習（Deep Learning, DL）的出現與影響

深度學習是機器學習的子類別，是使用深層神經網路（deep neural networks）來學習複雜模式並生成預測的技術。DL 模型從原始資料中逐步擷取特徵，以學習複雜且階層式的表示。雖然這主要在帶有標籤資料的監督學習環境中使用，但近期也開發出了較少需要或完全不需要明確標籤的自監督及非監督方式。深度學習方法的開發為醫療影像分析領域帶來了革命，在 X 光、CT 掃描、MRI、病理切片等多種影像模態中檢測異常徵兆方面取得了令人矚目的成功。DL 使醫療影像的精準診斷成為可能，並有助於識別肉眼難以察覺的微妙模式。

自然語言處理（Natural Language Processing, NLP）與大語言模型（Large Language Models, LLM）

自然語言處理（NLP）是 AI 系統理解、評估及生成人類語言的技術，對於從非結構化臨床文件中擷取有價值的洞察至關重要。NLP 工具已透過醫療紀錄自動化、工作流程最佳化、結構化臨床決策支援等應用於護理領域。近期，利用基於 Transformer 的神經網路的大語言模型（LLM）的發展尤為顯著。如 ChatGPT 或 GPT-4 等 LLM 經過數十億個詞彙與影像的訓練，能夠識別醫療文獻、臨床案例、研究協定，理解複雜的醫療語境，並能不知疲倦地處理龐大資料。

生成式 AI（Generative AI）的臨床應用

生成式 AI 是指能夠基於所學習資料生成新內容的模型，並在各種臨床應用領域中崛起為具有前景的工具。生成式 AI 被應用於 AI 語音聽寫（AI scribe）技術中，能在醫師與病患對話時將語音轉換為文字，並自動記錄為符合醫療資訊需求的格式，大幅減少醫療紀錄撰寫時間。此外，它還能在 20 秒內生成出院摘要或轉診單等醫療文件，並用於將診察室對話轉錄為文字及生成包含圖表的說明。LLM 亦可用於支援臨床試驗摘要或 FDA 監管文件的撰寫。

LLM 在診斷及病患溝通中的角色

LLM 在診斷決策支援方面亦展現出強大潛力。學習了數百萬筆真實醫療資料的 AI 醫療助手，能針對病患的症狀（例如：腹瀉 3 次）提供合理的解答與治療方法（例如：糞便檢查、少食多餐、補充水分、制酸劑、抗病毒藥物）。此外，對於心臟疼痛或打嗝等各種症狀，也能提出治療方案或緩解方法。LLM 可用於病患提出健康相關問題並獲取個人化資訊，部分病患甚至評價 AI 聊天機器人比人類醫師更有同理心。LLM 能超越醫療人員的說明，回答病患關於檢查結果或疾病的問題，在夜間時段發揮彌補健康資訊落差的重要作用。

挑戰課題與倫理考量事項

儘管 LLM 功能強大，但仍存在幻覺（hallucination）現象，即生成不準確或捏造資訊的風險。此類錯誤使得醫療專業人員的批判性審視與監督成為必需。AI 系統可能犯下 1% 的致命錯誤，這暗示著醫療人員不應盲目遵循 AI 的建議，而應始終優先考慮自己的專業判斷。AI 並非取代醫師，而是作為「聰明且不知疲倦的同事」來輔助醫療人員的工具。在技術發展的同時，資料隱私、安全、演算法偏見以及法律與倫理問題等待解決的課題依然存在。

[根據資料]

1. 標題: 大模型醫療问答机器人项目（大模型/deepseek基础知识/人工智慧/AI/rag/大模型基础路线）LangChain//LangChain入门LangChain应用开发

作者·機構: 大模型入门

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel '大模型入门' (來源未提供影片的直接 URL)

支持的主張: AI 醫療助手能基於數百萬筆真實醫療資料，針對病患的症狀（例如：腹瀉 3 次、心臟疼痛、打嗝）提出合理的解答與治療方案。由於 LLM 可能引發幻覺（hallucination），因此不應盲目信任 AI 提供的解答，醫師或使用者必須進行批判性審視。LLM 可用於支援臨床試驗摘要或 FDA 監管文件的撰寫。

2. 標題: Inteligencia Artificial en Medicina | Capacitación para Médicos y Personal de Salud

作者·機構: MédicosÉlite®

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel 'MédicosÉlite®' (來源未提供影片的直接 URL)

支持的主張: AI 歷經傳統基於規則的 AI、機器學習、生成式 AI（generative AI）三個階段發展而來，LLM（大語言模型）經過數十億個詞彙與影像的訓練，能夠識別醫療文獻、臨床案例、研究及協定，理解複雜的醫療語境，並能不知疲倦地處理龐大資料。生成式 AI 能在數秒內閱讀醫療紀錄，連動複雜症狀並提出新診斷與基於實證的協定。

3. 標題: KI: Forschung, Innovation und klinische Praxis

作者·機構: thieme-connect.de

可確認的發行日·上傳日: (來源未明示)

URL: http://www.thieme-connect.de/products/ejournals/pdf/10.1055/a-2741-9717.pdf

支持的主張: AI 模型可分為監督學習（使用 annotated data）、非監督學習（自行學習模式）、深度學習（使用深層神經網路）。深度學習主要用於監督學習環境中，但亦開發出了自監督及非監督方式。LLM（ChatGPT、GPT-4 等）屬於基於 Transformer 的網路，用於處理複雜語言。

2.2 電子病歷、影像、基因體、穿戴式裝置資料

人工智慧（AI）透過龐大醫療資料的運用發揮其最大潛力，此類資料是 AI 模型學習與改善的核心動力。電子健康紀錄（EHR）、醫療影像、基因體資料以及從穿戴式裝置收集的資料，是 AI 推動醫療診斷、治療計畫、病患管理革新的必備要素。AI 整合並分析這些多元資料來源，為醫療專業人員提供寶貴洞察，從疾病早期發現到個人化精準醫療，改善整體醫療過程。然而，此類資料本質上十分複雜，預處理過程不可或缺，缺漏值與錯誤以及對臨床語境的理解，對於 AI 模型的成功應用具有決定性影響。

電子病歷（Electronic Health Records, EHR）資料

資料性質：電子病歷（EHR）是包含病患全面醫療紀錄、檢查結果、治療文件等的數位資料庫。其中包含醫師的診診筆記、出院摘要、放射科報告等非結構化文字資料，亦包含診斷代碼、藥物處方、生命徵象測量值等結構化資料。這些資料被整合並應用於醫院的臨床決策支援系統中。

預處理：為了運用 EHR 資料，精細的預處理過程不可或缺。特別是為了從非結構化文字資料中擷取有意義的資訊，使用了自然語言處理（Natural Language Processing, NLP）技術。NLP 能從醫師的診診紀錄中擷取症狀說明或藥物調整等臨床相關資訊，以支援實時臨床決策。此外，為了保護病患隱私，必須經過資料匿名化（anonymization）過程。匿名化是去除非公開個人識別資訊，使資料無法連結至特定個人的過程。

缺漏值與錯誤：EHR 資料常因異質（heterogeneous）基礎設施而分散，系統間缺乏可互操作性（interoperability）是一大問題。這使得資料的存取與整合變得困難。此外，EHR 資料還存在品質低下、偏見（bias）以及缺漏值（missing values）等問題。例如，特定人口群體（例如：女性、特定種族）在資料集中代表性不足，或因錯誤的診斷編碼或不完整紀錄而導致資料品質下降。此類資料偏見在 AI 演算法應用於真實臨床環境時，可能會降低診斷準確度。

臨床語境：AI 能分析 EHR 與實時資料，比傳統方式更快速、更精準地檢測疾病，並能監測藥物交互作用並向醫療人員發出實時潛在副作用警告。此外，基於 AI 的 EHR 能改善疾病監測、支援人口健康管理，並透過預測住院人數或工作人員工作量需求來最佳化資源分配。AI 能內建於病患管理軟體中，分析病患過去紀錄，自動摘要下次診診所需資訊，從而簡化文件化過程。藉此減輕醫療提供者的文件化負擔，大幅提升醫療工作流程。

醫療影像資料

資料性質：醫療影像是 AI 發揮最強大效能的領域之一。包含 X 光、CT 掃描、MRI、病理切片、超音波影像等多種影像資料。這些資料具有高維度且複雜，且常存在標註不足（poorly annotated）的情況。特別是 3D 醫療影像包含更多資訊，AI 能對其進行分析，突破 2D 黑白影像的局限。

預處理：醫療影像資料需經過旨在減少雜訊（noise）與偽影（artifacts）的正規化（normalization）、切割特定區域的分割（segmentation），以及提升影像品質的重構（reconstruction）等預處理過程。為了訓練 AI 模型，標註（annotation）工作（即手動標示病變位置或特徵）不可或缺，這需要大量時間與專業知識。此外，醫療影像資料同樣出於個人隱私保護而進行匿名化（anonymization）處理。

缺漏值與錯誤：醫療影像資料集可能存在資料不平衡（imbalance）或偏見（bias）問題。例如，若皮膚癌診斷 AI 模型的訓練資料集主要由淺色皮膚影像組成，則在診斷深色皮膚病患時可能會出現效能下降或犯錯。此類種族偏見（racial bias）會降低 AI 診斷結果的可信度。醫療影像資料本身的雜訊、低解析度、病患間的可變性等，亦對 AI 方法論提出了挑戰。

臨床語境：AI 能檢測醫療影像中的微妙模式，早期發現肉眼容易忽略的疾病。AI 能將傳統上需要 10 分鐘至 30 分鐘的醫療影像處理工作在 3 分鐘至 5 分鐘內完成，協助在腦中風等急診情況下快速作出治療決策，有助於將病患腦神經細胞損傷降至最低。AI 在肺結節分類與檢測、骨折檢測、胰臟癌早期偵測等方面已成功應用。Zijie Smart Medical Technology 的「Anatomy Cloud」可在 3 至 5 分鐘內處理 3D 醫療影像，識別 200 個以上的器官，並自動識別病變或腫瘤，實現從 2D 黑白影像向 3D 彩色影像的跨越。AI 能協助醫師進行術前演練、規劃精準的手術路徑，並掌握病變的精準位置。

基因體資料

資料性質：基因體資料包含個人的 DNA 序列資訊、基因變異（variants）等，在精準醫療（precision medicine）的發展中扮演關鍵角色。透過大規模基因體測序計畫，已發現數百萬個基因體變異，其中相當一部分可能與疾病相關。

預處理：AI 能分析基因體資料以識別致病變異體，並實現基於分子標記的病患分層。能提高基因分析中尋找變異體的速度，部分系統的準確度達到 93%。此外，亦能協助透過基因檢測判斷變異的嚴重程度。基因體資料屬於敏感個人資訊，因此確保資料安全的透明資料治理與匿名化不可或缺。

缺漏值與錯誤：基因體資料極為龐大且複雜，需要 AI 輔助分析 [1 確保資料安全的透明資料治理與匿名化不可或缺。

缺漏值與錯誤：基因體資料極為龐大且複雜，需要 AI 輔助分析，錯誤的變異解讀可能導致病患誤診。資料的完整性（integrity）與品質（quality）至關重要。此外，生物特徵資料的資料安全必須受到極高重視。

臨床語境：基於 AI 的基因體分析有助於預測未來疾病，加速新藥開發與遺傳學研究。提供建立個人化精準醫療策略所需的資訊，並透過基因分析以高概率預測未來疾病發生可能性，從而實現早期干預。

穿戴式裝置及物聯網（IoT）資料

資料性質：從穿戴式裝置與 IoT 感測器收集的資料擴大了 AI 在病患監測與個人化健康管理中的應用。其中包含睡眠品質、步數、心率變異性、壓力程度等多種健康指標，血糖與血壓等生命徵象資料亦可實時收集。

預處理：AI 能利用從穿戴式裝置獲取的資料分析各種健康指標，並以此為基礎提出改善個人生活方式的客製化建議。IoT 裝置能將血糖與血壓等生命徵象資料自動傳送至 HISS（Hospital Information System）系統，使醫療人員能夠遠距實時查看病患資料。

缺漏值與錯誤：穿戴式資料同樣可能發生資料品質問題。因裝置故障、配戴錯誤、網路連線不穩定等，可能導致資料不準確或缺漏。資料的此類不完整性會影響 AI 模型的可靠性。

臨床語境：基於 AI 的穿戴式資料分析能向病患提供個人化生活方式改善建議，有助於提升睡眠品質、減輕壓力等。AI 聊天機器人能回答健康相關提問並提供個人化健康資訊與建議，在夜間時段等醫療服務可及性受限的時間，發揮填補健康資訊落差的重要作用。AI 能提供提升治療順從性的提醒功能，並用於支援病患自我管理。特別是在日本的照護機構中，已建立起透過 IoT 裝置將生命徵象傳送至雲端醫院，由 AI 檢測異常徵兆並在必要時連結救護車或啟動居家醫療團隊的心臟衰竭監測系統。

結論

為了醫療 AI 的發展，包含 EHR、醫療影像、基因體、穿戴式資料在內的多元形式資料不可或缺。每種資料類型皆具有獨特性質與預處理挑戰，資料品質、偏見、缺漏值等問題直接影響 AI 模型的準確性與可靠性。為了有效運用此類資料，必須伴隨資料治理、品質管理、確保整合與可互操作性以及倫理考量。此外，亦須認知到 AI 模型提供資訊的幻覺（hallucination）風險或資料偏見等局限，並在醫療專業人員的最終判斷與責任下謹慎使用。

[根據資料]

1. 標題: 大模型醫療问答机器人项目（大模型/deepseek基础知识/人工智慧/AI/rag/大模型基础路线）LangChain//LangChain入门LangChain应用开发

作者·機構: 大模型入门

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel '大模型入门' (來源未提供影片的直接 URL)

支持的主張: AI 醫療助手能基於數百萬筆真實醫療資料，針對病患症狀提出合理的解答與治療方案，但由於 LLM 可能引發幻覺（hallucination），因此不應盲目信任 AI 提供的解答。

2. 標題: AI applications in medicine and healthcare Integration of AI in electronic health records

作者·機構: eurjmedres.biomedcentral.com

可確認的發行日·上傳日: 2025 (URL中明示)

URL: https://eurjmedres.biomedcentral.com/counter/pdf/10.1186/s40001-025-03196-w

支持的主張: AI 能分析 EHR 與實時資料，比傳統方法更快速、更精準地檢測疾病，並能監測藥物交互作用並實時警告潛在副作用。ML 模型利用 EHR 預測院內死亡率、再入院率、敗血症發生等臨床結果，在處理非結構化 EHR 資料（例如：自由文字臨床紀錄）時達到 85% 以上的預測準確度。

3. 標題: 首創AI醫療影像3D標準化 曁 MR 應用成果發表大會

作者·機構: 智捷醫學科技

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel '智捷醫學科技' (來源未提供影片的直接 URL)

支持的主張: Zijie Smart Medical Technology 的 AI「Anatomy Cloud」可在 3 至 5 分鐘內處理 3D 醫療影像，識別 200 個以上的器官，未來將包含自動識別病變或腫瘤的功能，實現從 2D 黑白影像向 3D 彩色影像的跨越。

4. 標題: AI 基因報告判讀、5G 遠距應用與臨床倫理研習會

作者·機構: TCnews慈善新聞網

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel 'TCnews慈善新聞網' (來源未提供影片的直接 URL)

支持的主張: 透過大規模基因體測序計畫已發現數百萬個基因體變異，其中 400 萬個可能與疾病相關。基因體資料屬於敏感個人資訊，因此確保資料安全的透明資料治理與匿名化不可或缺。

2.3 資料品質、整合、可互操作性

人工智慧（AI）技術要在醫療領域發揮革新潛力，高品質的資料、順暢的資料整合以及系統間的可互操作性不可或缺。然而在現實中，由於資料品質問題、分散的資料儲存方式、複雜的監管環境等，AI 的引進存在諸多難關，這成為 AI 安全且有效地整合至醫療系統中的重要挑戰。

醫院·部門·機構間的資料斷層（Data Fragmentation）

醫療現場面臨著資料孤島（data silos）與異質 IT 基礎設施的嚴重問題。醫院內部各部門，以及不同醫院或醫療機構，往往使用獨立的系統與架構，導致資訊無法橫向整合或相互參照。例如，在日本的情況下，僅主要的電子病歷（EHR）供應商就多達 4 家，且每家供應商擁有獨特的架構與連線方式，使得醫療資訊的連動十分困難。這導致在實現特定疾病的精準醫療或引進新應用程式時，資料連線需要耗費巨大時間、成本與人力。醫療系統若處於斷層狀態，不僅會限制 AI 解決方案的適用性，亦會妨礙對病患整體醫療紀錄進行綜合分析以提供最佳診斷與治療。甚至在同一醫療機構內部，病患紀錄也未能妥善共享，損害了使用者體驗，並阻礙了醫療資源的有效利用。此類斷層被指出是阻礙基於 AI 的醫療革新的主要瓶頸之一。

HL7 FHIR 標準的角色

為了解決資料斷層問題並確保可互操作性（interoperability），核心方法之一是採用 HL7 FHIR（Health Level Seven Fast Healthcare Interoperability Resources）標準。FHIR 提供專為以標準化格式存取與交換醫療資料而設計的架構，這對於整合 EHR、實驗室資料、基因體學、時間序列臨床觀察資料等多種醫療資料至關重要。HL7 FHIR 特別補足了用於醫療影像資料交換的 DICOM 標準，促進不同醫療機構及部門之間的資料交換。直接採用 HL7 FHIR 標準能實現機構間順暢的資料建模與交換，例如在糖尿病管理中，可整合血糖、體重、飲食紀錄等並應用於 AI 應用程式。部分國家立下了以 FHIR 連接所有醫療中心的目標，以期比亞洲及歐洲更快實現可互操作性。這支持了「在智慧醫療中最重要的技術不是 AI、Transformer 或數位孿生，而是 FHIR」的主張。因為只有透過 FHIR 才能整合所有資料，而只有當資料整合後，一切革新才成為可能。

資料偏見（Bias）問題

AI 模型的效能不僅取決於訓練資料的品質，亦高度依賴資料的代表性。帶有偏見的資料可能導致 AI 模型在真實臨床環境中得出不公平或不精準的結果，這在醫療領域可能引發嚴重的倫理與臨床問題。例如，僅憑特定人口群體（例如：單一種族、特定地區、特定醫療系統）資料訓練的模型，在其他病患群體中無法有效泛化。在非洲訓練的黑色素瘤偵測 AI 工具在淺色皮膚上的準確度為 95%，但在深色皮膚上的敏感度卻下降了 34%，這一案例直觀地展示了種族偏見的風險。此類「資料集偏移（dataset shift）」問題會大幅降低 AI 模型的真實效能。醫療資料標註（labeling）過程中的一致性不足或特定亞群體的代表性不足，可能導致演算法偏見（algorithmic bias），進而引發效能不均衡。此類偏見引發了人們對 AI 可能使既有不平等持久化甚至系統化的擔憂。因此，從 AI 開發階段起運用多元且具代表性的資料，並透過公平性審計（fairness audits）與分層評估（stratified evaluation）來確保模型的公正性至關重要。

個人隱私保護與倫理考量事項

醫療資料屬於最敏感且受法律保護的個人資訊之一，因此對於 AI 系統存取、控制與使用資料的方式存在相當大的擔憂。資料隱私與安全問題 是阻礙 AI 順暢整合至 EHR 系統的主要因素。

為了保護個人隱私，資料匿名化（anonymization）或假名化（pseudonymization）非常重要，但此過程並不簡單且可能並不完美。匿名化資料必須確保無法重新連結至特定個人，而假名化資料則需在醫院內部將識別資訊分開保管。此外，在將病患紀錄資料用於 AI 模型訓練時，當事人的同意與否至關重要。部分國家禁止將病患資訊輸入至個人用 ChatGPT 或 Gemini 等通用 AI 服務中。這是因為資料會傳送至海外伺服器，從而不受該國法律約束。

聯邦學習（Federated Learning）等技術能在無須交換原始資料的情況下利用分散資料訓練模型，提供在維持病患保密性的同時實現資料整合的緩和策略。然而，當 AI 作出誤診或給出錯誤建議時，最終法律責任仍歸屬於醫療專業人員，因此 AI 系統的可解釋性（explainability）與可靠性不可或缺。需要努力解決難以理解 AI 系統如何作出決策的「黑盒子（black box）」問題，可解釋 AI（Explainable AI, XAI）具有重要意義。

實地模型效能與泛化可能性

AI 模型的真實世界效能（real-world performance）可能與實驗室環境中的效能有所不同，這與模型的泛化可能性（generalizability）直接相關。AI 模型僅在與受訓病患群體及狀況相似的情況下，才能提供值得信賴的結果。由於過度擬合（overfitting）現象，模型可能過度適應訓練資料，並在真實狀況下出現效能下降。

特別是醫療影像資料具有高維度且複雜，且常存在標註不足（poorly annotated）的情況，增加了 AI 模型學習的難度。標註工作需要醫療專業人員的時間與專業知識。此外，小規模資料集或不平衡資料會限制模型的泛化可能性，並增加過度擬合風險。

為了讓 AI 模型成功應用於真實臨床環境，使用多中心（multi-center）收集的多元資料進行訓練與驗證至關重要。然而，EHR 資料品質在不同機構間可能存在巨大差異，這可能導致模型效能下降。例如，基層醫院的症狀描述完整度僅為 60~70%，相比於三級醫院（90% 以上），實地應用時模型效能可能會有所降低。

總結而言，成功引進 AI 醫療不僅僅是單純的技術開發，更需要提升資料品質、實現系統間順暢整合、實施嚴格的個人隱私保護，以及對模型在真實臨床環境中的穩健效能與倫理應用的深入理解與努力。

[根據資料]

1. 標題: Inteligencia Artificial en Medicina | Capacitación para Médicos y Personal de Salud

作者·機構: MédicosÉlite®

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel 'MédicosÉlite®' (來源未提供影片的直接 URL)

支持的主張: AI 並非取代醫師，而是作為聰明且不知疲倦的同事來支援醫療人員，最終決定與責任始終在於醫師。AI 模型存在誤診風險、幻覺（hallucination）問題、偏見性等局限，個人隱私保護、資料安全、演算法偏見等倫理考量事項至關重要。

2. 標題: AI applications in medicine and healthcare Integration of AI in electronic health records

作者·機構: eurjmedres.biomedcentral.com

可確認的發行日·上傳日: 2025 (URL中明示)

URL: https://eurjmedres.biomedcentral.com/counter/pdf/10.1186/s40001-025-03196-w

支持的主張: AI 能分析 EHR 與實時資料，比傳統方法更快速、更精準地檢測疾病，但在將 AI 整合至 EHR 系統的過程中，不同平台間的資料可互操作性問題以及資料隱私與安全問題仍是重要課題。

3. 標題: AI活用によって醫療はどう変わる？最新のディープテック技術がもたらす社会的インパクト

作者·機構: GLOBIS学び放題×知見録

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel 'GLOBIS学び放題×知見録' (來源未提供影片的直接 URL)

支持的主張: AI 模型存在偏見（bias），可能存在對相同條件下的病患產生不利影響的 AI，這已透過研究得到證實。管理與控制 AI 如何運作至關重要，應確保在醫療 AI 中不致引發因病患條件而異的不平等。

4. 標題: L’IA & l’IA Générative en santé : À l'épreuve de la réalité

作者·機構: L'Oeil de la E-santé

可確認的發行日·上傳日: (來源未明示)

URL: YouTube channel 'L'Oeil de la E-santé' (來源未提供影片的直接 URL)

支持的主張: 為了有效整合 AI 解決方案，資料品質與可互操作性不可或缺。AI 唯有在具備優質資料時才能正常運作，特別是資料的不均勻輸入方式（例如：生命指標記錄方式的多樣性）可能降低 AI 工具的有效性。