本研究評估了ChatGPT在眼科領域撰寫科學引言的能力，並與經驗豐富的眼科醫師進行比較。十位專家在不知情的情況下評估了ChatGPT和人類撰寫的引言，準確率為57.7%。錯誤分類率在不同子專科中差異顯著，眼整形的錯誤率最高。評估指標顯示，ChatGPT生成的引言與人類撰寫的並無顯著差異，近一半的引言無法區分。這顯示ChatGPT在眼科科學內容生成上有顯著進步，未來應探討其在學術寫作中的潛力與倫理影響。 相關文章 PubMed DOI 推理 ♡

早期偵測和介入前癌病變對降低癌症發病率和死亡率非常重要。深入分析基因組、轉錄組、蛋白質組和表觀基因組的變化，有助於理解癌症的早期發展。然而，目前缺乏全面的分子特徵數據資源，限制了我們對前癌過程的了解。 為了解決這個問題，我們推出了前癌分子資源（PCMR），匯集了25,828個前癌樣本的分子資料，並與正常或惡性對照進行比較。這個資料庫涵蓋20個器官和35種癌症類型的前癌病變，並包含轉錄組、蛋白質組和表觀基因組的資訊。PCMR有望成為推進前癌研究和改善病人預後的重要資源。 相關文章 PubMed DOI 推理 ♡

大型基礎模型在生物醫學領域有潛力，但在臨床應用上面臨挑戰，如性能差距和高成本。本研究展示了一個開源的小型多模態模型，透過胸部X光影像生成診斷結果，解決放射學的問題。研究團隊訓練了697,000對影像-文本對，開發了專門的胸部X光編碼器，並與預訓練的語言模型整合。為了評估模型的準確性，團隊創建了CheXprompt，並用於基準測試，LLaVA-Rad模型表現優於一些大型模型。雖然尚未適合實時臨床使用，但這代表了在放射學中可臨床應用的進展。 相關文章 PubMed DOI 推理 ♡

這項研究評估了鼻用pramlintide在糖尿病治療中的效果，並與傳統的腹腔給藥方式進行比較。使用成年雄性瑞士小鼠進行測試，結果顯示腹腔給藥的pramlintide和liraglutide能有效減少食物攝取和胃排空，但鼻用pramlintide的效果較弱。經過8天治療，兩種給藥方式對體重和食物攝取無顯著影響，血糖和三酸甘油脂也未見變化。儘管鼻用pramlintide效果不如腹腔給藥，研究仍支持進一步開發鼻用配方，以提升生物利用度並提供糖尿病治療的新選擇。 相關文章 PubMed DOI 推理 ♡

生長激素（Ghrelin）在進食時扮演重要角色，進食前會上升，進食後則下降。迷走神經活化及碳水化合物、脂質攝取會降低其水平，而禁食則會提高。最近研究顯示，β-腎上腺素能活化，特別是異丙腎上腺素，能顯著提升老鼠的生長激素水平，無論是進食還是禁食，且與葡萄糖水平無關。這種提升是劑量依賴性的，β1和β2腎上腺素受體皆參與其中，β1是主要驅動因素。 相關文章 PubMed DOI 推理 ♡

周邊動脈疾病（PAD）對健康影響深遠，尤其是對2型糖尿病患者。最近的STRIDE研究探討了semaglutide這種糖尿病藥物是否能改善PAD患者的行走能力及生活品質。這項雙盲、隨機的臨床試驗在20個國家進行，792名參與者接受了52週的治療。結果顯示，semaglutide組的行走距離顯著優於安慰劑組，且不良事件發生率低。總體來看，semaglutide對有症狀的PAD和2型糖尿病患者有潛在好處，未來需進一步研究其機制及在非糖尿病患者中的效果。 相關文章 PubMed DOI 推理 ♡

大型語言模型（LLMs）在生物醫學領域的應用日益增多，顯示出改變醫療保健的潛力。自2022年ChatGPT推出以來，針對生物醫學的LLMs開發顯著增加。這篇綜述分析了基於文本的生物醫學LLMs的現狀，重點在架構、訓練策略及應用，如聊天機器人。從5,512篇文章中選取82篇相關文獻，發現對解碼器架構的偏好及任務特定微調的趨勢。未來可透過整合多模態數據及增強數據共享來推進發展。 相關文章 PubMed DOI 推理 ♡

Blue5模型透過多任務學習（MTL）和實例選擇（IS）來解決生物醫學自然語言處理的計算挑戰。它基於SciFive框架，整合經過校準的支持向量機（SVM）分類器，提升效率與性能。該模型在BLUE基準測試中，平均數據減少26.6%，顯示其能有效選擇最具資訊性的實例，改善泛化能力。IS和MTL的結合不僅提升了性能，還讓先進的NLP技術在生物醫學研究和醫療應用中更具可擴展性與可及性。 相關文章 PubMed DOI 推理 ♡

作者對於依賴大型語言模型（LLMs）解決認知技能下降和教育不平等表示擔憂。他們認為，雖然LLMs有其優點，但其勞動強度、經濟不切實際性及環境影響可能超過好處。特別是糟糕的空氣品質可能影響認知功能，進而影響教育。作者警告在教室中普及LLMs可能導致隱私侵犯、人際互動減少及教師技能下降，並主張應仔細檢視LLMs的潛在危害，類比過去的石化和煙草產業問題。 相關文章 PubMed DOI 推理 ♡

這項系統性回顧旨在探討人工智慧驅動的對話代理，特別是大型語言模型（LLM）機器人，如何幫助老年人面對挑戰與機會。研究將整合質性研究的見解，找出影響這些技術在老年人中應用的因素，並專注於使用者為中心的設計、治理政策及研究空白。將搜尋十一個電子資料庫，並由兩位評審獨立篩選數據。最終目的是提供見解，協助負責任地開發針對老年人的人工智慧伴侶，以滿足這個不斷增長的人口需求。 相關文章 PubMed DOI 推理 ♡