6.1 醫學教育、虛擬病患、臨床訓練

人工智慧（AI）正在從根本上改變醫療教育的方式與醫療專業人員的勝任能力。AI 已成為個人化學習過程、安全提供實作環境以及訓練複雜臨床推理能力的必備工具。此類技術的發展在預備未來醫療人員理解 AI 的潛力、認知其局限性並負責任地加以運用方面發揮著重要作用。

醫學教育的變革與 AI 的角色

AI 正在革新培養醫療專業人員的方式。智慧模擬器協助學生在安全環境中練習與真實相似的臨床狀況。此外，基於 AI 的自適應學習系統根據個人的學習需求客製化教育內容，為學生提供個人化的學習體驗。得益於這些技術，農村地區的學生也能接觸到城市環境中提供的高品質學習資料，有助於打破長期存在的教育不平等障礙。許多醫學院正在探索將 AI 整合至正規教育課程中的方案，這指明了醫療教育的未來方向。

在醫療教育中運用 AI 的核心在於教授負責任且符合倫理的使用方法。學生 必須接受訓練，掌握向 AI 發出精準指令（提示詞）的方法，並對 AI 提供的資訊抱持批判性視角。必須教育學生：AI 僅為工具，切勿盲目遵循其輸出，而必須經過嚴格審視。醫療專業人員必須具備管理與維護複雜 AI 系統所需的數位勝任能力，並透過對 AI 勝任能力與局限性的持續教育，培養有效運用的能力。 未來的醫師將被要求具備熟練運用 AI，並在 AI 協助下提供更好病患照護的勝任能力。

透過虛擬病患進行臨床訓練

基於 AI 的虛擬病患（AI patient） 是醫療教育中特別是用於診斷互動及溝通品質訓練的有效工具。虛擬病患協助準醫療人員在與真實病患相似的情境中練習診療技術並提升溝通能力。虛擬病患基於真實電子病歷（EHR）資料建立，擴展了疾病資料庫，並結合「Big Five」性格特質檔案，實現更為真實的感情表達。

利用此類虛擬病患進行的訓練為學生提供了快速且有效率地練習更多案例的機會。例如，在護理師訓練計畫中，透過與 AI 病患的實作對話，利用基於真實對話資料生成的提示詞進行現實的對話練習。訓練後，可透過文字確認自己的溝通內容並進行客觀反思，且能接收個別回饋，使學習效果最大化。然而，AI 病患有時會給出過長的回答或表現出不自然的反應，這一部分需要持續改善。

強化臨床推理訓練

AI 有助於訓練與強化醫療人員的臨床推理能力（clinical reasoning）。臨床推理是收集病患資訊、提出假設並反覆驗證的複雜且動態的思維過程。AI 支援這一思維過程，並為學生提供反覆練習各種情境推理能力的環境。

AI 透過映射（mapping）病患的高維度健康狀態，達到能夠預測個人生活軌跡的水平，協助學生更深入地理解複雜的疾病進展過程。例如，亦有研究結果顯示，AI 模型輸入至 60 歲為止的健康狀態作為 Token，能夠高度相似地預測此後的生活軌跡。AI 的這種能力使學生能夠根據病患資料預測未來並規劃先發制人的干預訓練。

臨床推理訓練中的重要要素之一是同理心（empathy）。AI 雖然能進行表面的同理表達，但難以理解病患的深層語境並形成本質上的同理。例如，AI 對於拒絕服藥的病患可能回應「很辛苦吧？」，但臨床推理能力出色的醫師能理解該病患因類風濕性關節炎手痛而無法取出藥物，又因自尊心而不願向家人求助的深層心理狀態，並表達本質上的同理。因此，在 AI 時代，醫療人員整合與消化 AI 所提供資訊的編排（orchestration）能力、理解病患生活脈絡與故事的敘事（narrative）能力、憑藉直覺與同理心選擇適當言語的能力，以及基於信任提供醫療服務變得更加重要。

醫療人員的 AI 理解能力與局限

AI 在醫療現場作為「聰明且不知疲倦的同事」或「第二雙眼睛」來輔助醫療人員。AI 能捕捉人類可能忽略的微妙細節，並將撰寫文件、編碼、營運排程等重複性業務自動化，減輕醫療人員的負擔。藉此，醫療人員能花更多時間與病患相處，並專注於人文關懷（human care）。

然而 AI 具有局限性與潛在錯誤。

錯誤與偏見：AI 可能犯下「1% 的致命錯誤（fatal error）」，LLM 存在約 15% 的幻覺（hallucination），即生成看似合理卻錯誤資訊的傾向。亦有報導指出因 AI 的錯誤建議（例如：建議限制鈉攝取）導致病患經歷實際中毒症狀的案例。此外，AI 模型可能反映訓練資料中存在的偏見（bias），對特定人口群體得出不公平或不精準的結果。

情感及非語言理解不足：AI 在捕捉人類的情感複雜性、同理心、直覺、非語言資訊（表情、肢體動作等）方面存在困難。例如，當高齡病患想去賞櫻花時，AI 可能基於心臟衰竭或跌倒風險而勸阻外出，但人類醫療人員能理解病患生命的意義，在管理風險的同時尋求協助外出的妥協點。

「黑盒子（black box）」問題：AI 的決策過程不透明，存在醫療人員難以理解與信任其推理的「黑盒子」問題。因此，對 AI 輸出的批判性審視變得尤為重要。

醫療人員的最終責任

無論 AI 如何發展，最終診斷決策與治療責任始終歸屬於人類醫療專業人員。AI 不應取代醫師，而應作為「增強智慧（augmented intelligence）」工具來強化醫師的能力。醫師必須從醫學與倫理角度批判性地評估 AI 提出的資訊，並判斷 AI 提供的建議是否適合病患的特殊情況。亦有人擔憂，若 AI 發出了風險警告而醫師予以忽視並導致不良結果，可能會提高醫療人員的注意義務基準，從而加重法律責任。因此，醫療人員對 AI 的使用必須向病患透明地說明並取得知情同意。

醫學教育應集中於明確教授 AI 的此類能力與局限，培養既能有效運用 AI 又不失人類固有能力的醫療人員。AI 應發揮輔助醫療人員業務、深化與病患關係並有助於提升醫療服務品質的「第三協助者（third agent）」作用。

[根據資料]

以下是支援第六章「醫療教育與研究」之 6.1「醫學教育與虛擬病患」、6.2「研究資料分析與假設生成」、6.3「文獻審視與臨床試驗支援」的根據資料列表。

根據資料列表

標題: Conferencia Más Salud. IA en Medicina: la herramienta del estudiante moderno

作者/發行機構: Facultad de Medicina UNAM (YouTube 頻道)

支持的小標題: 6.1, 6.3 (與 RAG 及批判性審視相關)

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/發行機構: 智捷醫學科技 (YouTube 頻道)

支持的小標題: 6.1

標題: "友谊健康数据科学"高质量数据集及AI成果汇报

作者/發行機構: Grandhealth Access Telemedicine (YouTube 頻道)

支持的小標題: 6.2

標題: NICE Talk 100: 模拟、诊断和醫學推理的AI实践

作者/發行機構: NICE AI Talk (YouTube 頻道)

支持的小標題: 6.2

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

作者/發行機構: MédicosÉlite® (YouTube 頻道)

支持的小標題: 6.3

標題: 2026-07-08：星球永續健康線上直播-AI醫療治理(2)：AI 安全閘門治理沙盒(AI Airlock)

作者/發行機構: 健康智慧生活圈 (YouTube 頻道)

上傳日: 2026-07-08

URL: " target="_blank" rel="noopener" style="color:#046BD2;word-break:break-all;">

支持的小標題: 6.3

標題: 大模型技术如何赋能醫學研究与临床实战-AI+医疗结合实战项目实操，人工智慧行业专家唐宇迪

作者/發行機構: 唐宇迪【人工智慧实战专家】 (YouTube 頻道)

支持的小標題: 6.2

標題: 醫療AI 開発プロジェクトを成功に導くために：醫療AI開発・提供に関する法律・知財・契約

作者/發行機構: （国研）産総研 人工知能技術コンソーシアム（AITeC） (YouTube 頻道)

支持的小標題: 6.3

6.2 研究資料分析與假設生成

人工智慧（AI）在醫療研究領域透過分析龐大資料與識別複雜模式的能力，在深化對疾病的理解與生成新假設方面發揮著核心作用。這革新性地加速了傳統上耗費大量時間與巨大人力的研究過程，補足了人類研究者的局限。AI 作為核心動力，在從理解疾病的分子機制到發掘新治療方法、臨床試驗設計等所有研究階段中提升效率與成功率。

大規模臨床資料分析

基於 AI 研究的根基在於大規模臨床資料。AI 整合並分析來自病患電子病歷（EHR）、基因體資訊、醫療影像、穿戴式裝置及 IoT 感測器資料以及實驗室資料等多個來源收集的異質資料。其中包含病患口述紀錄或醫病對話轉錄本、編碼資料、時間序列臨床觀察資料等結構化與非結構化資料。AI 透過如 HL7 FHIR 等標準整合這些資料，並進行匿名化處理以強化個人隱私保護，同時使其能應用於研究。

然而此類大規模資料往往缺乏高品質資料，且將資料轉化為 AI 能有效分析的「AI-ready」狀態的資料數據策展（data curation）面臨著極其困難且耗時的挑戰。資料分散或缺漏值眾多的情況十分常見，AI 要有效分析這些資料，精細的預處理過程不可或缺。AI 透過正規化（normalization）、選擇最重要特徵、資料增強等技術對資料進行預處理，分析在大規模基因體測序計畫中發現的數百萬個基因體變異體以識別致病變異體，並預測個人對特定疾病的脆弱性。AI 亦可用於蛋白質結構預測與藥物設計。

6.2 研究資料分析與假設生成

人工智慧（AI）在醫療研究領域透過分析龐大資料與識別複雜模式的能力，在深化對疾病的理解與生成新假設方面發揮著核心作用。這革新性地加速了傳統上耗費大量時間與巨大人力的研究過程，補足了人類研究者的局限。AI 作為核心動力，在從理解疾病的分子機制到發掘新治療方法、臨床試驗設計等所有研究階段中提升效率與成功率。

大規模臨床資料分析

基於 AI 研究的根基在於大規模臨床資料。AI 整合並分析來自病患電子病歷（EHR）、基因體資訊、醫療影像、穿戴式裝置及 IoT 感測器資料以及實驗室資料等多個來源收集的異質資料。其中包含病患口述紀錄或醫病對話轉錄本、編碼資料、時間序列臨床觀察資料等結構化與非結構化資料。AI 透過如 HL7 FHIR 等標準整合這些資料，並進行匿名化處理以強化個人隱私保護，同時使其能應用於研究。

然而此類大規模資料往往缺乏高品質資料，且將資料轉化為 AI 能有效分析的「AI-ready」狀態的資料數據策展（data curation）面臨著極其困難且耗時的挑戰。資料分散或缺漏值眾多的情況十分常見，AI 要有效分析這些資料，精細的預處理過程不可或缺。AI 透過正規化（normalization）、選擇最重要特徵、資料增強等技術對資料進行預處理，分析在大規模基因體測序計畫中發現的數百萬個基因體變異體以識別致病變異體，並預測個人對特定疾病的脆弱性。AI 亦可用於蛋白質結構預測與藥物設計。

AI 在醫療研究領域透過分析龐大資料與識別複雜模式的能力，在深化對疾病的理解與生成新假設方面發揮著核心作用。這革新性地加速了傳統上耗費大量時間與巨大人力的研究過程，補足了人類研究者的局限。AI 作為核心動力，在從理解疾病的分子機制到發掘新治療方法、臨床試驗設計等所有研究階段中提升效率與成功率。

AI 生成假設的臨床研究驗證

AI 生成的假設無論多麼具革新性與吸引力，都必須經過嚴格的臨床研究予以驗證。AI 能使用電腦模型最佳化模擬具有特定活性物質的分子形成過程，這有助於設計與生成新的類藥物分子。然而，曾有案例顯示 AI 設計的化合物後來被發現化學上不切實際或難以合成，這暗示著原位（in silico）預測與真實化學之間存在跨度。

AI 模型常在實驗室條件下受訓，但往往缺乏在真實臨床環境中泛化可能性（generalizability）的系統性測試。外部驗證不足可能降低診斷準確度，特別是當演算法應用於與訓練資料差異巨大的資料集時，此現象尤為突出。事實上，許多研究依賴小規模樣本（small effectives），限制了結果的泛化可能性。此外，當資料不平衡（data imbalance）嚴重時，存在過度擬合（overfitting）風險，AI 在訓練資料中看似完美，但在真實狀況下可能犯錯。

為了確保 AI 模型的再現性（reproducibility）與可比性，標準化的資料獲取方式與透明的文件化不可或缺。對於基於 AI 的醫療器材，將資料管理設計文件化是提供 AI 達到預期效能水準證據的唯一方法。在臨床環境中量化不確定性（uncertainty）至關重要，可透過設定自適應閾值（adaptive thresholds）來識別不確定案例，並將其交由醫療專業人員解讀（human-in-the-loop），以此方式運用 AI。例如，AI 模型準確度從 81% 提升至 91% 的案例，展現了協助 AI 進行可靠預測並讓模糊案例經過人類審視的人機協作模式的可能性。

避免虛假相關性（Spurious Correlations）的方法

AI 能快速分析龐大資料並找出模式，但有時會將虛假相關性作為真實呈現。因為 AI 僅提供基於統計概率的資訊，而非提供經醫學驗證的真實。

「幻覺（Hallucination）」現象：LLM（大語言模型）可能引發生成看似合理卻錯誤資訊的幻覺（hallucination）。ChatGPT 對真實並不關心，而被設計為生成看似真實的文字，甚至有批評認為其產出物可能是「廢話（bullshit）」。這意味著 AI 提供的資訊有時可能看似具有統計顯著性，但實際上並無價值的「虛假證據（false evidence）」。

資料偏見（Data Bias）：AI 模型會原封不動地反映或加劇訓練資料中存在的偏見（bias）。例如，在缺乏特定種族資料的情況下，AI 可能對該種族病患做出帶有偏見的診斷。這引發了人們對 AI 可能如「演算法之鏡（algorithmic mirror）」般放大既有不平等的擔憂。當 AI 訓練資料無法反映地方現實時（例如：經常停電地區的資料空白），AI 可能犯錯，這強調了需要地方知識（local knowledge）與持續的人類監督。

理解因果關係（Causality）：AI 擅長尋找相關性（correlation），但在明確證實因果關係（causality）方面存在局限。研究者必須透過人類的批判性推理，驗證 AI 提出的相關性是否確實為疾病的因果。

研究者與醫療人員的判斷及責任

無論 AI 如何發展，最終診斷決策與治療責任始終歸屬於人類醫療專業人員。AI 不應取代醫師，而應作為「增強智慧（augmented intelligence）」工具來強化醫師的能力。醫師必須從醫學與倫理角度批判性地評估 AI 提出的資訊，並判斷 AI 提供的建議是否適合病患的特殊情況。亦有人擔憂，若 AI 發出了風險警告而醫師予以忽視並導致不良結果，可能會提高醫療人員的注意義務基準，從而加重法律責任。因此，醫療人員對 AI 的使用必須向病患透明地說明並取得知情同意。

批判性審視：研究者與醫療人員對於 AI 提出的資訊應摒棄盲目信任，並以批判性視角進行審視。比起照單全收 AI 的輸出物，基於醫學專業知識與臨床推理對資訊進行質疑與確認的能力更為重要。

人類監督（Human Oversight）：AI 系統應設計為「human-in-the-loop」方式，在高風險作業中，人類的手動批准（manual approvement）不可或缺。為了解決難以理解 AI 決策過程的「黑盒子（black box）」問題，可解釋 AI（Explainable AI, XAI）研究非常重要，這有助於解釋 AI 為何得出特定結論。

AI 素養（AI Literacy）：醫療專業人員必須理解 AI 的勝任能力與局限，並接受關於如何負責任且符合倫理地使用 AI 工具的持續教育與訓練。AI 作為「聰明且不知疲倦的同事」是協助研究與臨床的工具，但人類的同理心、直覺以及掌握非語言資訊的能力是 AI 無法取代的固有領域。

資料治理與倫理：在 AI 研究中，資料隱私（data privacy）與資料治理（data governance）是核心倫理考量事項。病患的知情同意（informed consent）不可或缺，對用於 AI 模型訓練的資料進行匿名化（anonymization）或假名化（pseudonymization）至關重要。

AI 是加速研究過程並促進新發現的強大夥伴，但為了最大化利用其潛力的同時不失安全性、倫理與以人為本，需要持續付出努力。AI 與人類研究者的合作是醫療科學發展的必備要素。為了不失去安全性、倫理與以人為本，需要持續付出努力。AI 與人類研究者的合作是醫療科學發展的必備要素。

[根據資料]

以下是支援第六章「醫療教育與研究」之 6.1「醫學教育與虛擬病患」、6.2「研究資料分析與假設生成」、6.3「文獻審視與臨床試驗支援」的根據資料列表。

根據資料列表

標題: Conferencia Más Salud. IA en Medicina: la herramienta del estudiante moderno

作者/發行機構: Facultad de Medicina UNAM (YouTube 頻道)

支持的小標題: 6.1, 6.3 (與 RAG 及批判性審視相關)

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/發行機構: 智捷醫學科技 (YouTube 頻道)

支持的小標題: 6.1

標題: "友谊健康数据科学"高质量数据集及AI成果汇报

作者/發行機構: Grandhealth Access Telemedicine (YouTube 頻道)

支持的小標題: 6.2

標題: NICE Talk 100: 模拟、诊断和醫學推理的AI实践

作者/發行機構: NICE AI Talk (YouTube 頻道)

支持的小標題: 6.2

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

作者/發行機構: MédicosÉlite® (YouTube 頻道)

支持的小標題: 6.3

標題: 2026-07-08：星球永續健康線上直播-AI醫療治理(2)：AI 安全閘門治理沙盒(AI Airlock)

作者/發行機構: 健康智慧生活圈 (YouTube 頻道)

上傳日: 2026-07-08

URL: " target="_blank" rel="noopener" style="color:#046BD2;word-break:break-all;">

支持的小標題: 6.3

標題: 大模型技术如何赋能醫學研究与临床实战-AI+医疗结合实战项目实操，人工智慧行业专家唐宇迪

作者/發行機構: 唐宇迪【人工智慧实战专家】 (YouTube 頻道)

支持的小標題: 6.2

標題: 醫療AI 開発プロジェクトを成功に導くために：醫療AI開発・提供に関する法律・知財・契約

作者/發行機構: （国研）産総研 人工知能技術コンソーシアム（AITeC） (YouTube 頻道)

支持的小標題: 6.3

AI 在醫療研究領域透過分析龐大資料與識別複雜模式的能力，在深化對疾病的理解與生成新假設方面發揮著核心作用。這革新性地加速了傳統上耗費大量時間與巨大人力的研究過程，補足了人類研究者的局限。AI 作為核心動力，在從理解疾病的分子機制到發掘新治療方法、臨床試驗設計等所有研究階段中提升效率與成功率。

AI 生成假設的臨床研究驗證

AI 生成的假設無論多麼具革新性與吸引力，都必須經過嚴格的臨床研究予以驗證。AI 能使用電腦模型最佳化模擬具有特定活性物質的分子形成過程，這有助於設計與生成新的類藥物分子。然而，曾有案例顯示 AI 設計的化合物後來被發現化學上不切實際或難以合成，這暗示著原位（in silico）預測與真實化學之間存在跨度。

AI 模型常在實驗室條件下受訓，但往往缺乏在真實臨床環境中泛化可能性（generalizability）的系統性測試。外部驗證不足可能降低診斷準確度，特別是當演算法應用於與訓練資料差異巨大的資料集時，此現象尤為突出。事實上，許多研究依賴小規模樣本（small effectives），限制了結果的泛化可能性。此外，當資料不平衡（data imbalance）嚴重時，存在過度擬合（overfitting）風險，AI 在訓練資料中看似完美，但在真實狀況下可能犯錯。

為了確保 AI 模型的再現性（reproducibility）與可比性，標準化的資料獲取方式與透明的文件化不可或缺。對於基於 AI 的醫療器材，將資料管理設計文件化是提供 AI 達到預期效能水準證據的唯一方法。在臨床環境中量化不確定性（uncertainty）至關重要，可透過設定自適應閾值（adaptive thresholds）來識別不確定案例，並將其交由醫療專業人員解讀（human-in-the-loop），以此方式運用 AI。例如，AI 模型準確度從 81% 提升至 91% 的案例，展現了協助 AI 進行可靠預測並讓模糊案例經過人類審視的人機協作模式的可能性。

避免虛假相關性（Spurious Correlations）的方法

AI 能快速分析龐大資料並找出模式，但有時會將虛假相關性作為真實呈現。因為 AI 僅提供基於統計概率的資訊，而非提供經醫學驗證的真實。

「幻覺（Hallucination）」現象：LLM（大語言模型）可能引發生成看似合理卻錯誤資訊的幻覺（hallucination）。ChatGPT 對真實並不關心，而被設計為生成看似真實的文字，甚至有批評認為其產出物可能是「廢話（bullshit）」。這意味著 AI 提供的資訊有時可能看似具有統計顯著性，但實際上並無價值的「虛假證據（false evidence）」。

資料偏見（Data Bias）：AI 模型會原封不動地反映或加劇訓練資料中存在的偏見（bias）。例如，在缺乏特定種族資料的情況下，AI 可能對該種族病患做出帶有偏見的診斷。這引發了人們對 AI 可能如「演算法之鏡（algorithmic mirror）」般放大既有不平等的擔憂。當 AI 訓練資料無法反映地方現實時（例如：經常停電地區的資料空白），AI 可能犯錯，這強調了需要地方知識（local knowledge）與持續的人類監督。

理解因果關係（Causality）：AI 擅長尋找相關性（correlation），但在明確證實因果關係（causality）方面存在局限。研究者必須透過人類的批判性推理，驗證 AI 提出的相關性是否確實為疾病的因果。

研究者與醫療人員的判斷及責任

無論 AI 如何發展，最終診斷決策與治療責任始終歸屬於人類醫療專業人員。AI 不應取代醫師，而應作為「增強智慧（augmented intelligence）」工具來強化醫師的能力。醫師必須從醫學與倫理角度批判性地評估 AI 提出的資訊，並判斷 AI 提供的建議是否適合病患的特殊情況。亦有人擔憂，若 AI 發出了風險警告而醫師予以忽視並導致不良結果，可能會提高醫療人員的注意義務基準，從而加重法律責任。因此，醫療人員對 AI 的使用必須向病患透明地說明並取得知情同意。

批判性審視：研究者與醫療人員對於 AI 提出的資訊應摒棄盲目信任，並以批判性視角進行審視。比起照單全收 AI 的輸出物，基於醫學專業知識與臨床推理對資訊進行質疑與確認的能力更為重要。

人類監督（Human Oversight）：AI 系統應設計為「human-in-the-loop」方式，在高風險作業中，人類的手動批准（manual approvement）不可或缺。為了解決難以理解 AI 決策過程的「黑盒子（black box）」問題，可解釋 AI（Explainable AI, XAI）研究非常重要，這有助於解釋 AI 為何得出特定結論。

AI 素養（AI Literacy）：醫療專業人員必須理解 AI 的勝任能力與局限，並接受關於如何負責任且符合倫理地使用 AI 工具的持續教育與訓練。AI 作為「聰明且不知疲倦的同事」是協助研究與臨床的工具，但人類的同理心、直覺以及掌握非語言資訊的能力是 AI 無法取代的固有領域。

資料治理與倫理：在 AI 研究中，資料隱私（data privacy）與資料治理（data governance）是核心倫理考量事項。病患的知情同意（informed consent）不可或缺，對用於 AI 模型訓練的資料進行匿名化（anonymization）或假名化（pseudonymization）至關重要。

AI 是加速研究過程並促進新發現的強大夥伴，但為了最大化利用其潛力的同時不失安全性、倫理與以人為本，需要持續付出努力。AI 與人類研究者的合作是醫療科學發展的必備要素。為了不失去安全性、倫理與以人為本，需要持續付出努力。AI 與人類研究者的合作是醫療科學發展的必備要素。

[根據資料]

以下是支援第六章「醫療教育與研究」之 6.1「醫學教育與虛擬病患」、6.2「研究資料分析與假設生成」、6.3「文獻審視與臨床試驗支援」的根據資料列表。

根據資料列表

標題: Conferencia Más Salud. IA en Medicina: la herramienta del estudiante moderno

作者/發行機構: Facultad de Medicina UNAM (YouTube 頻道)

支持的小標題: 6.1, 6.3 (與 RAG 及批判性審視相關)

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/發行機構: 智捷醫學科技 (YouTube 頻道)

支持的小標題: 6.1

標題: "友谊健康数据科学"高质量数据集及AI成果汇报

作者/發行機構: Grandhealth Access Telemedicine (YouTube 頻道)

支持的小標題: 6.2

標題: NICE Talk 100: 模拟、诊断和醫學推理的AI实践

作者/發行機構: NICE AI Talk (YouTube 頻道)

支持的小標題: 6.2

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

作者/發行機構: MédicosÉlite® (YouTube 頻道)

支持的小標題: 6.3

標題: 2026-07-08：星球永續健康線上直播-AI醫療治理(2)：AI 安全閘門治理沙盒(AI Airlock)

作者/發行機構: 健康智慧生活圈 (YouTube 頻道)

上傳日: 2026-07-08

URL: " target="_blank" rel="noopener" style="color:#046BD2;word-break:break-all;">

支持的小標題: 6.3

標題: 大模型技术如何赋能醫學研究与临床实战-AI+医疗结合实战项目实操，人工智慧行业专家唐宇迪

作者/發行機構: 唐宇迪【人工智慧实战专家】 (YouTube 頻道)

支持的小標題: 6.2

標題: 醫療AI 開発プロジェクトを成功に導くために：醫療AI開発・提供に関する法律・知財・契約

作者/發行機構: （国研）産総研 人工知能技術コンソーシアム（AITeC） (YouTube 頻道)

支持的小標題: 6.3