關於這趟冒險
網站目的
本地 LLM 冒險是給台灣醫學生的入門教室：從 AI 家族、token 與 attention 學起，在自己的 Mac 或 Google Colab 上執行本地 LLM， 再用合成的中英夾雜病歷 fine-tune 小模型（Gemma 4 E2B），找出病歷中的個人可識別資訊（PHI）並輸出 JSON，最後討論法規、倫理，以及什麼時候不該用 LLM。
主線專案叫「病歷守門人」。全程不接觸任何真實病歷。若你日後要處理真實病歷，需要院方核准與（視情況）IRB 審查；「在本機執行」不等於「合法」。
作者
作者為台灣醫學系畢業生，不是資訊工程背景。本站同屬 med-study-rpg 系列的像素風學習網站。
AI 生成聲明
本站內容由 AI（Claude）協助生成，作者設定主題與架構並負責驗收；仍可能有錯誤，歡迎回報。實測數字來自作者自己的實驗紀錄，尚未實測的部分在文中標示為「待補」。 即使如此仍可能有錯誤，若發現問題，歡迎到資料集的 GitHub Issues回報。
使用說明
- 本站不提供醫療建議。內容為教學用途，不構成臨床決策、法律或法規意見。
- 所有病歷皆為合成資料。不對應任何真實病人。
- 版本敏感資訊（工具版號、模型名稱、記憶體需求）會標註查證日期，使用前請再確認最新狀態。
- 道具屋的所有計算都在瀏覽器端完成，不會上傳或保存你輸入的任何資料。
資料集與 notebook
寫作立場
- 引用統計結果時採嚴謹措辭：未達統計顯著代表「該研究沒有偵測到差異」，不等於「沒有差異」。
- 案例誠實：目前沒有任何地端 fine-tuned LLM 已進入常規臨床使用，文中以「研究階段」描述。
- 參考文獻列於參考文獻頁。