先看 Boss：新聞稿浮誇獸
浮誇獸的招式是：「15 秒生成病歷摘要！」「節省 14% 工時！」這些句子可能是真的，但它們是宣稱，不是驗證。這一關是整個冒險的結業殿，要做的事情有兩個：學會分辨證據層級，以及規劃你自己的進階路線。
兩個層級：宣稱與已驗證
本站把案例分成兩欄閱讀：
- 宣稱：院方自報、新聞轉述、廠商部落格、model card 的自我描述。
- 已驗證：同儕審查論文中，有明確比較對象、資料量與評估方法的結果。
研究筆記對來源另標可信度：A 是院方或機構官方公告、官方 model card；B 是新聞或產業媒體轉述；C 是社群或個人專案；V 是廠商行銷稿。即使是 A 級來源，也只代表「那個機構這樣說」，不等於獨立驗證。
先把底線說清楚：本次查證（2026-10-06）沒有找到任何一個地端 fine-tuned LLM 已進入常規臨床。所有案例都是研究階段，或只是「可在院內硬體執行」。唯一自稱「早期臨床應用」且全程在院內的案例（Heidelberg，PMID 42752478），也仍是回溯分析，沒有前瞻性部署或臨床結局證據。
為什麼案例頁要固定兩欄
新聞與論文的寫作目的不同。新聞稿的目的是讓人記住成果，所以常見的寫法是一個漂亮的數字加一個願景；論文的目的是讓別人檢查，所以會交代資料從哪裡來、和誰比較、哪裡失敗。把兩種文字放在同一個畫面上，你會很快發現：宣稱欄的句子通常短而肯定，已驗證欄的句子通常長而有但書。這不代表宣稱一定是假的，而是提醒你，在看到比較對象與失敗率之前，宜先把它當作待驗證的說法。對醫學生而言，這個習慣和讀 RCT 時先看對照組、再看信賴區間是同一種訓練。
同儕審查案例：宣稱 vs 已驗證
數字皆依摘要，建議引用前回原文核對。
| 案例 | 宣稱 | 已驗證 |
|---|---|---|
| Strata（PMID 41286063，Sci Rep 2025，美國多校） | 小模型加少量資料，可在本地做報告結構化抽取 | 每個資料集至多 100 份訓練報告、單張桌機級 GPU；LoRA 微調 Llama-3.1 8B 在四個資料集上與第二位人類標註者相比為 non-inferior，平均 exact match 90.0 ± 1.7；zero-shot GPT-4 除腎臟病理外也 non-inferior。研究環境本地執行，並非全面勝過 GPT-4 |
| Bordeaux 去識別化（PMID 40605780，JMIR AI 2025，法國） | 院內資料、本地訓練，PHI 不出院 | 超過 42.5 萬份急診紀錄，QLoRA 微調；Mistral 7B 的 PII 層級 F1 為 0.9673；3,000 份測試中有 4 份的姓名未完全移除（其中 1 份為病人姓名）。是否進入常規流程，摘要未載 |
| QSkin（PMID 42424371，PLOS Digit Health 2026，澳洲） | on-premise 為必要條件 | 26,179 份皮膚病理報告，Llama-3.1-8B-Instruct 以 LoRA（rank 8、4-bit）微調，單張 V100 32GB；四個目標亞型 F1 皆高於 0.90；外部驗證（217 份）F1 為 0.73 到 0.86。研究環境本地執行 |
| MEDAL（PMID 42753937，J Biomed Inform 2026，美國） | 跨機構聯邦式 fine-tune，不傳病人層級資料 | 在三個獨立資料集及虛擬站點上，F1 接近集中式訓練的上限，摘要所載與 GPT-5 的最大差距為 16.6 個百分點；仍是研究環境的協作與模擬，非常規部署 |
| Heidelberg（PMID 42752478，2026，德國） | 全程院內，早期臨床應用 | Llama-3.1-70B，以 500 封標註信件評估；DOAC 比例由 2012 年的 16.9% 到 2020/21 年的 59.9%；回溯分析 |
| Mukherjee（PMID 37815442，Radiology 2023，美國 NIH） | 本地開源模型可做報告標註 | Vicuna-13B（他人已微調的模型，作者未再微調），以提示詞法在 3,269 份 MIMIC-CXR 報告與 25,596 份 NIH 報告上標註；100 份專家標註子集的中位數 AUC 為 0.84，11 項發現中 9 項與兩個既有標註器相當。概念驗證 |
一個不能當作「本地 LLM」的案例
PMID 38271060（JMIR 2024，台灣中英夾雜去識別化）要特別說明：該研究 fine-tune 的是BERT 類模型，不是生成式 LLM；其中「LLM」的部分，是經由 OpenAI API 的 ChatGPT 做 zero-shot，論文自己也說明該服務只能透過線上 API 使用。所以它不是本地 fine-tuned LLM 案例。本站只把它當作兩件事的背景：台灣病歷為什麼是中英夾雜，以及「本地 fine-tuned BERT 對雲端提示詞法 LLM」的對照。語料為 1,700 份出院摘要。
另一個常見的小錯誤是年份：Mukherjee 的研究是 2023 年發表在 Radiology（PMID 37815442），不是 2024 年。
台灣院方案例：多為院方自報
以下案例的「已驗證」欄皆為「未見獨立驗證」（查證日 2026-10-06），僅供對照宣稱的形式：
| 案例 | 宣稱（院方自報） | 已驗證 | 備註 |
|---|---|---|---|
| 臺大醫院 ICD 編碼 | 院內去識別化病歷精調、地端、節省 14% 人力工時、約 1 秒產生編碼 | 未見獨立驗證 | 官方稿經媒體轉載（A 或 B 級）；任務屬分類，模型可能是 encoder 類而非生成式 LLM；搜尋摘要所見的準確率數字未回原文核對，本站不引用 |
| 臺中榮總與陽明交大 Healthcare GPT（2024-04-18） | 地端私有雲，自動病歷摘要約 15 秒完成 | 未見對照組或準確度資料 | 新聞轉述（B 級）；基礎模型未公開，微調方法未明示 |
| 長庚醫院 Llama 3-Taiwan 70B 與院內 AI 推論服務（2024-09-05） | 集中管理院內 LLM 應用，地端 | 未公開數字 | 院方網頁（A 級）；是否以院內資料再微調未明示；模型卡寫明不適用於醫療診斷等高風險用途 |
這三個案例很適合練習批判閱讀：每一個都有「地端」、都有漂亮的數字或願景，但沒有一個提供獨立評估，也沒有說明錯誤時由誰負責。
國際案例：NYUTron 與生成式 LLM 的差別
NYUTron（Nature 2023，PMID 37286606，美國 NYU Langone）是「院內資料 fine-tune」最早的標竿之一。它是約 1.09 億參數的 BERT 類 encoder，以院內大量病歷預訓練，再針對任務微調，用於 30 天再入院、院內死亡、住院天數等預測。論文報告 AUC 為 78.7% 到 94.9%（依研究筆記整理，宜回原文核對）。它有同儕審查、院方也公開，可信度高，但不是生成式 LLM，不能當作「本地 fine-tuned 生成式 LLM 已進入臨床」的證據。
開源與社群：可以動手，但自述多為「非臨床使用」
- Llama3-Med42、Llama3.1-Aloe-Beta、OpenBioLLM 等開源醫療模型，model card 都明言不適用於臨床；Aloe-Beta 另為非商用授權。
- MedGemma 有大量社群 LoRA 範例，多為研究或競賽用途，沒有臨床部署證據。
- 本地 scribe 開源專案（例如 OpenScribe）多數沒有 fine-tune，自述尚不符合 HIPAA。
「本地跑得動」與「可以用在病人身上」中間，隔著驗證、審查與法規，見 LV17。
練習：宣稱或已驗證？
試著把下列句子分類，答案在後面。
- 「本系統讓病歷摘要從 7.5 分鐘縮短到 30 秒。」
- 「LoRA 微調的 8B 模型在四個資料集與第二位人類標註者相比為 non-inferior。」
- 「我們的醫療模型在九個生醫 benchmark 平均 86%，勝過 GPT-4。」（廠商 model card）
- 「3,000 份測試報告中，4 份的姓名未完全移除。」
答案：1 是宣稱（院方自報，沒有說明品質與對照）；2 是已驗證（同儕審查、有比較對象，但仍屬研究環境）；3 是宣稱（廠商自報，且該 model card 自述僅供研究）；4 是已驗證，而且是一個誠實揭露失敗率的好例子。
進階路線
學完這張地圖之後，可以往四個方向走：
- DPO（偏好對齊）：目前 LoRA 教的是「照範例做」，DPO 教的是「兩個答案裡哪個比較好」。類比：主治醫師比較兩份病歷，說明哪一份寫得較好。開源醫療模型 Aloe-Beta 就使用了 DPO 對齊。
- RAG（檢索增強生成）：不改模型，而是在回答前先檢索資料。研究筆記查到的部分案例（例如護理紀錄映射標準術語，PMID 42054561，部署位置未說明）是用 RAG 加少量範例而非 fine-tune。適合知識常更新的任務。
- 聯邦學習：MEDAL 展示了「adapter 依序跨機構訓練、不傳病人層級資料」的想法，目前仍是研究階段。
- 開源資料集貢獻：本站的合成資料集放在 GitHub（或本站下載），歡迎提出改進。貢獻前宜注意：資料是否完全虛構、生成工具的授權或服務條款（見 LV17 的雲端條款一節）、以及資料卡是否清楚聲明「合成」。
學習資源方面，常見的免費路線有 Hugging Face LLM Course、smol-course、Maxime Labonne 的 llm-course（GitHub）、Sebastian Raschka 的教材，以及 Karpathy 的 nanochat（只取概念，不建議當作醫療專案的起點）。以上資源為作者整理的方向，使用前請自行確認版本與內容。本站的 notebook 可下載，合成資料集放在 GitHub（或本站下載）。
結業
走到這裡，你應該能做到：解釋 LLM 如何運作、在自己的 Mac 或 Colab 上微調一個小模型、用合成資料評估它、知道哪些任務不該用它、知道「本地」不等於合法，並且能用「宣稱 vs 已驗證」的眼光讀新聞。最後再提醒一次：本站全程只使用合成資料，任何真實病歷的使用，都應先取得院方核准並經 IRB 評估。
本關重點
- 把證據分成「宣稱」與「已驗證」兩欄；院方自報與廠商稿未經獨立驗證前，只能當宣稱。
- 本次查證沒有找到任何地端 fine-tuned LLM 已進入常規臨床，案例皆為研究階段或「可在院內硬體執行」。
- PMID 38271060 是 BERT 加 ChatGPT API 的對照，不是本地 LLM 案例；Mukherjee 研究為 2023 年。
- Strata 的重點是 non-inferior 且硬體門檻低，不是全面勝過 GPT-4；NYUTron 是 BERT 類 encoder，不是生成式 LLM。
- 進階方向：DPO、RAG、聯邦學習、開源資料集貢獻；任何走向真實資料的步驟，先回到 LV17。