Large language models (LLMs) in radiography research: A narrative review.

放射師導入 LLM 輔助多語言溝通後，研究案例顯示 CT 檢查時間縮短且影像品質同步改善——LLM 已從診斷端延伸至研究方法本身，涵蓋文獻爬梳、問卷設計、合成影像生成等 5 大研究面向，但幻覺輸出與隱私風險讓作者明確提醒：任何導入都必須搭配「信任但驗證」的系統性框架。

從文獻爬梳到問卷設計：LLM 加速研究五大面向

傳統放射師研究在文獻量龐大、多語言合作溝通不易、問卷設計耗時等面向長期受困。這篇發表於 Radiography（英國放射師學會官方期刊）的敘事性回顧（narrative review，廣泛整合已發表文獻而不限定嚴格資料庫篩選標準的回顧方法）正是針對 LLM（大型語言模型，large language model，能生成人類語言的 AI 系統）在放射師研究整合現況進行系統梳理，並融入作者團隊自身的操作實例。

作者歸納出 5 大應用面向：(1) 系統性文獻回顧加速——LLM 協助篩選與整合大量研究文獻，大幅縮短爬梳時間；(2) 問卷設計強化——LLM 協助生成與修改問卷題目，並驗證不同語言版本的語意等效性；(3) 合成影像資料生成（synthetic imaging data）——GenAI（生成式 AI）可模擬醫學影像資料，擴充訓練資料集；(4) 資料分析輔助——協助處理大量文本資料並解讀統計輸出；(5) 國際化與多語言溝通——降低多國研究合作的語言障礙，加速投稿與發表流程。

值得特別注意的是，這五個應用定位全在研究後台——研究設計、資料收集、文獻處理、成果傳播，而非直接介入影像判讀或臨床決策，這與「放射科 AI = 診斷 AI」的一般認知有所不同。

AI 輔助溝通改善 CT 影像品質並縮短檢查時間

回顧中最具說服力的具體案例，正是 LLM 輔助多語言溝通後帶來的 CT 掃描改善。由於語言障礙導致病患無法正確理解呼吸屏氣指令或擺位配合要求，CT 影像品質受到影響、重掃率上升。透過 AI 輔助翻譯與溝通，研究測量到 CT 影像品質提升與檢查時間縮短的量化效益。

這個案例的機制值得理解清楚：改善的來源不是演算法直接優化了掃描參數，而是語言障礙被 AI 橋接後，放射師與病患之間的溝通品質提高，間接讓技師能更精確地引導呼吸配合與擺位，從而減少因動作偽影或姿勢不對造成的重掃。這是一個典型的「研究工具 → 工作流程整合 → 影像品質改善」的間接效益路徑。

問卷設計輔助是另一個作者主導的實作案例。研究者使用 LLM 協助草擬問卷題目，並進行跨語言翻譯品質驗證——傳統上這個步驟需要多位雙語專家逐題進行回譯（back-translation）；LLM 輔助後初稿生成速度顯著提升，但作者強調最終仍必須由專家逐項審查確認翻譯等效性，不可直接採用機器輸出。

合成影像生成與多語言研究的新可能

延伸到合成資料這一塊，GenAI 在放射師研究中的潛力在於：當真實病患影像因隱私保護而難以大量取得時，高品質的合成影像可以作為模型訓練或研究驗證的補充資料。作者指出這個領域在放射師研究圈尚屬早期，已有初步案例顯示可行性，但資料保真度和下游應用的可靠性仍需系統驗證。

多語言國際化面向則填補了放射師研究傳統上的結構性弱點。非英語系研究者在投稿、跨國合作時面臨相當門檻，LLM 的翻譯品質進步讓研究成果更容易突破語言障礙。作者以問卷翻譯的實作案例佐證，展示 LLM 在縮短國際化準備時間上的實用價值，同時指出這並非可以省略人工審查的自動化流程，而是需要在 LLM 輔助與專家校閱之間建立明確的分工。

幻覺輸出、偏見與環境成本：三類技術挑戰

轉到風險面，作者直接列出五大類挑戰。幻覺輸出（hallucinated outputs）是最被廣泛討論的問題：LLM 有時會「自信地生成錯誤資訊」，例如引用實際上不存在的文獻，或輸出看似合理卻有事實錯誤的描述。在放射師研究中，若幻覺輸出出現於文獻引用或臨床數據解讀，可能直接影響研究可信度甚至引發系統性誤導。

內嵌偏見（embedded biases）同樣不容忽視：LLM 訓練資料大量依賴英語文本與特定人口族群資料，生成的問卷題目或資料分析可能帶有文化偏見，對放射師研究的跨文化有效性構成潛在威脅。隱私風險（risks to privacy）則指當研究者將含有病患相關描述或機構敏感資訊的文本輸入商業 LLM 時，資料外洩或被用於模型訓練的風險。

另外兩類挑戰較少被討論但同樣重要：監管挑戰——各國對 AI 在醫療研究中的使用規範仍在快速演變，學術出版倫理、資料保護法規合規壓力正在上升；環境成本——大型語言模型的訓練與推論需要龐大計算資源，其碳足跡在研究倫理討論中逐漸被提上議程。

「信任但驗證」：訓練、治理與驗證框架的核心建議

作者明確提出「信任但驗證（trust but verify）」作為核心操作原則——放射師研究者應積極運用 LLM 的效率優勢，但所有輸出都必須經過專家覆核，不應在未驗證情況下直接採用。這個原則在實務操作上需要機構層面的系統支撐，而非僅靠個人判斷。

具體建議分三層：訓練（training）——機構應提供 LLM 工具使用的系統性培訓，讓放射師研究者具備足夠 AI 識讀能力（AI literacy）判斷輸出品質；治理（governance）——建立明確政策，規範哪些資料可輸入 LLM、輸出如何標記、倫理委員會審查標準；驗證（validation）——LLM 輔助生成的內容應對照專家審查資料集進行系統驗證，並在論文中透明報告 AI 使用的範圍與方式。

作者坦承本研究的限制：敘事性回顧方法缺乏系統性篩選標準，難以量化 LLM 對研究效率的確切效益；案例研究規模偏小，尚無長期追蹤數據；LLM 技術發展速度極快，部分回顧結論可能在短期內被新模型迭代淘汰。此外，本回顧大量融入作者自身操作案例，雖提升了實用性，但也增加了個別研究情境偏誤的可能性。

放射師研究者可以用 LLM 加速五個研究階段，但每一個輸出都需要專家驗證——效率不能用可靠性換。