AI 可以快速閱讀病歷、整理重點，甚至提出疾病分類與 ICD 編碼建議；但在醫療現場，真正重要的往往不是「AI 能不能回答」，而是「它為什麼這樣回答？」、「依據從哪裡來？」以及「這個結果能不能讓醫療專業人員檢查」。

對醫院實務工作者而言，疾病分類與 ICD 編碼並不只是從病歷中找出疾病名稱，還需要判斷疾病分期、急慢性狀態、共病、排除條件，以及病歷內容是否足夠支持該編碼。若只讓模型直接產生答案，結果可能看起來方向正確，卻在細碼選擇上不夠精準，也缺少可以回查的依據。

延續第一堂「從醫療報告到癌症登記」的應用主題，LLM-MCP 醫療 AI 應用系列課程第二堂將聚焦「RAG 與 LLM 於疾病分類工具之應用」。這堂課會用疾病分類工具作為情境，帶大家了解 AI 如何從「直接給答案」轉向「先找證據，再整理建議」。其中，Retrieval-Augmented Generation（RAG，檢索增強生成）可以先從 ICD 相關資料中找出候選內容，再由大型語言模型（Large Language Model, LLM）整理成初步建議，最後透過 Agent 協助比較不同候選碼之間的差異，提示哪些結果較符合病歷、哪些需要人工確認、哪些因證據不足而不應採用。

課程也會介紹 Model Context Protocol（MCP，模型脈絡協定）在這個流程中的角色。簡單來說，MCP 可以讓 AI Agent 呼叫不同的本地工具，例如 RAG 查詢、LLM 分析與系統狀態確認等功能，而不是只依靠模型自行回答。透過這樣的工具串接，AI 可以先取得可參考的 ICD 候選資料，再協助整理出更適合人工審核的資訊。課程中也會透過實際疾病分類案例，比較未使用 RAG 與結合 RAG 後的差異，讓學員更清楚看見：AI 不是只要產生一組編碼結果，而是要把背後的依據與需要確認的地方一起呈現出來。

這堂課適合醫療資訊系統開發者、臨床與研究人員、疾病分類與醫療編碼相關人員、AI／ML 或資料分析人員，以及對智慧醫療與 AI 輔助流程有興趣者觀看。即使尚未實作過 RAG、LLM 或 MCP，只要具備基礎醫療資訊、臨床資料或系統整合概念，也能透過本課程理解醫療 AI 工具如何協助疾病分類流程。也希望讓學員理解，AI 的價值不是取代疾病分類人員或臨床專業人員，而是把需要審核的資訊先整理清楚，讓人工判斷更有效率，也更有依據。

課程資訊
課程名稱：LLM-MCP 醫療 AI 應用系列課程（二）：RAG 與 LLM 於疾病分類工具之應用
課程影片上架時間：7月24日 14:00
課程講師：洗柏詞 碩士｜醫療 AI 應用工程師
課程形式：線上課程影片
播放方式：課程影片將於 GHD YouTube 頻道上架，供有興趣者線上觀看。
GHD YouTube 頻道：https://youtube.com/@taiwangatewaytohealthdata?si=RWgffY6rRuH6NEIP
報名／登記連結：https://forms.gle/2YYXAdo6WpTTckTB9
適合對象：醫療資訊系統開發者、臨床與研究人員、疾病分類與醫療編碼相關人員、AI／ML 與資料分析人員，以及對智慧醫療與 AI 輔助流程有興趣者

系列課程預告
第三堂：LLM-MCP 醫療 AI 應用系列課程（三）：醫療資料隱私保護的落地關鍵：將病歷去識別化工具封裝為 MCP 工具之應用實務

後續課程影片上架時間將另行公告，敬請期待。