用開源工具搭配AI加速醫學研究
講者：Teemo | NTUH | 資訊工程師
活動：10/15 Generative AI 年會小聚 2025
題目：用開源工具搭配AI加速醫學研究
演講簡介
昨天講者的研究剛刊登在醫學期刊，他這一路最大的體會是：醫學研究不能追求「一步到位」，別的領域也許 80 分就能交差，但在醫學領域，需要的是每一個步驟都可被追溯、可解釋、可審核。
也就是說，在醫學研究很注重以下三個面向：
風險要可見：風險來源是什麼? 機率多高? 影響邊界在哪?
步驟要可審核：每一步做了什麼、有無資料遺失/更動、誰確認過。
跨團隊可復現：同樣的流程，換一個地方、換一組人，也要重現同樣結果。
結論：AI 用來加速，但人類必須可介入、可覆核、留痕跡。
但這也是關鍵矛盾所在，要可控又要加速通常很難兼得，且醫學研究經常面對以下痛點：
醫學研究者 很多資料要整理 但又很難快速
資料清理版本比對耗非常多心力
申請研究案的行政工作會花很多時間
在這種條件限制下，究竟如何恰當的使用 AI 幫忙呢?
作者提出的的解法是導入 Human-in-the-Loop (HITL) 流程化，確保每一步都知道 AI 生成什麼以及是否有錯誤。
作者給出了一個實際的 HITL 案例，年度科技研究計畫申請作業比對 (例如 114 年 vs 115 年版本差異)，計劃書每年申請都須要清楚掌握改動，作者提出從 PDF 文件 到 結論的轉換流程：
步驟一、PDF → DOCX
確保版面元素可編輯，可以使用 Adobe Acrobat / LibreOffice / 其他 PDF 轉檔工具
步驟二、DOCX → Markdown
純文字化，方便版本控管與 diff，推薦使用 Pandoc：pdf → docx → md 的萬用轉換器
步驟三、Markdown 差異比對
作者推薦使用 WinMerge，可以很直觀的看到兩份文件的差異
步驟四、差異摘要 → LLM
將差異報告餵入 LLM，並設定分析任務
這樣做的好處：AI 只負責說明與彙整，人來決策與背書；每一版都有檔案證據與 diff 足跡。
結論
把控制權拿回來，速度自然就上來。
可控與可加速並不矛盾：把人機邊界畫清楚，AI 負責「找不同、做摘要、列待辦」，人類負責「決策與簽名」。
輸出要可被審核：所有步驟可追溯、可重放、可交接。
醫學研究不是不能用 AI，而是要用對方法，先把流程拆成可審核的不同模組，再讓 AI 進來加速而非代替，如此一來風險便看得見，效率也看得見。
作者：Chi