這項研究探討了GPT-3.5在為放射科住院醫師生成回饋的有效性，並與人類撰寫的評論進行比較。隨著加拿大放射科課程實施能力為基礎的醫學教育，對敘述性回饋的需求增加。研究分析了28位教職員對10位住院醫師的110條評論，發現人類撰寫的回饋通常較長且具體，而GPT生成的評論則較模糊。人類評分者的準確率為80.5%，而GPT-3.5僅50%。結果顯示，GPT-3.5尚無法達到人類回饋的具體性，未來需改進算法以提升AI回饋質量。 相關文章 PubMed DOI 推理 ♡

人工智慧（AI）在醫學領域的發展迅速，主要得益於大量生物醫學數據和創新演算法。它的應用範圍不斷擴大，從輔助診斷到預測疾病進展，促進個人化醫療的實現。像ChatGPT這樣的語言模型引起醫學界的關注，雖然使用方便，但在醫療環境中的可靠性仍需考量。這篇綜述探討了醫學AI的關鍵概念、數據來源及常見的研究陷阱，並分析了技術轉變的實際與倫理影響，強調醫療界需有效整合這些工具。 相關文章 PubMed DOI 推理 ♡

這項研究探討如何利用大型語言模型（LLMs）來進行大規模的人類記憶實驗，特別是針對自然敘事的分析。研究發現，隨著敘事長度增加，記憶表現會改善，但參與者常常只會總結長敘事，而非回憶具體細節。當敘事順序被打亂時，回憶表現顯著下降，但識別表現穩定，顯示參與者仍能根據理解重建故事。研究還利用LLM生成的文本嵌入來測量敘事的語義相似度，與回憶可能性有強相關性，顯示LLMs在記憶研究中的潛力。 相關文章 PubMed DOI 推理 ♡

生成式人工智慧（AI）將對法醫精神醫學帶來重大影響，既有機會也有挑戰。特別是有可能有人利用AI，如ChatGPT，來學習和模擬精神病症狀，尤其在瘋狂辯護的情況下。一項研究顯示，ChatGPT 3.5能理解精神病症狀並提供實用建議，可能被用來操控心理健康系統以謀取私利。這提醒法醫精神科醫師需了解AI的發展及其對偽病評估的影響，儘管目前技術仍有局限。 相關文章 PubMed DOI 推理 ♡

這項研究探討如何將人工智慧（AI）與臨床規則基礎（RB）系統結合，以預測疫苗猶豫，目的是提升病人激勵計畫的效果。研究利用974,000名美國病人的數據，透過機器學習（ML）和臨床規則的結合，提升預測準確性並保持決策透明。結果顯示，混合方法特別有效，當信心高時依賴RB結果，信心低時則依賴ML預測，這樣不僅提高準確性，也增強醫療提供者之間的信任。 相關文章 PubMed DOI 推理 ♡

隨著人工智慧越來越多地進入醫學教育，我們需要重新思考它對醫師訓練和實踐的影響。作為醫學生，我們發現透過實際實驗來探索AI應用效果最佳。例如，我們利用大型語言模型創建圖像助記符，這大大提升了我們的學習效率。AI的應用能減少重複性任務的時間，讓我們更專注於醫學的藝術。鼓勵學生在日常中主動探索AI，能培養創新應用，進一步提升學習和臨床實踐，確保AI的整合能發揮最大潛力，並豐富醫療的人文面向。 相關文章 PubMed 推理 ♡

這項研究強調在醫療保健中開發人工智慧工具時，必須納入多元病患的觀點，特別是針對種族和族裔少數群體。調查邀請了230名來自這些群體的參與者，結果顯示雖然許多人對人工智慧有基本了解，但對其在醫療和皮膚科的應用認識不足。參與者對醫療系統的信任程度因收入而異，且不少人對自己的數據被用於人工智慧開發感到不安，並認為應該獲得補償。這項研究強調納入多元聲音的重要性，以確保公平的醫療解決方案。 相關文章 PubMed DOI 推理 ♡

這項研究強調藥物毒性評估對確保藥物安全性和有效性的重要性。研究比較了GPT-4和GPT-4o在預測分子毒性方面的表現，與傳統的深度學習和機器學習模型，如WeaveGNN等，特別針對骨骼、神經和生殖毒性。結果顯示，GPT-4在某些方面表現不相上下。 此外，研究還利用GPT-4結合分子對接技術，探討中藥材對心臟毒性的影響，發現黑芝麻、生薑和薑黃等成分對心臟靶點Cav1.2有顯著結合親和力，可能具心臟毒性。 總體而言，這項研究展示了ChatGPT在藥物化學中的潛力，並使開發高準確度模型變得更容易。 相關文章 PubMed DOI 推理 ♡

這篇文獻回顧專注於偵測超偏見新聞，這類新聞對特定政黨有強烈偏見，導致讀者極化，影響社會凝聚力與民主穩定。透過機器學習和深度學習的進展，自動化工具可協助解決此問題。回顧採用PRISMA方法，涵蓋2015至2024年間的81篇文章，系統整理偵測方法與數據集。分析中指出該領域的空白，如對超偏見的定義不明及少數語言資源不足。雖然深度學習模型表現佳，但大型語言模型的潛力尚未被充分發掘，為未來研究奠定基礎。 相關文章 PubMed DOI 推理 ♡

在生物學的數據分析領域，專家短缺影響了對複雜生物過程的理解及新療法的開發。為了解決這個問題，我們推出了名為 mergen 的 R 套件，利用大型語言模型（LLMs）來生成和執行數據分析代碼。研究人員只需用簡單文字描述分析目標，系統便能透過提示和反饋改善代碼生成。我們的評估顯示，雖然 LLMs在某些任務上有效，但在複雜分析中仍有挑戰。自我修正機制顯著提升了可執行代碼的生成比例，對於複雜度等級 2 和 3 的任務分別提高了 22.5% 和 52.5%。這項研究增進了對 LLM 能力的理解，並提供了實用的整合見解。 相關文章 PubMed DOI 推理 ♡