這項研究探討了GPT-4在提升醫療專業人員非技術技能（NTS）訓練中的作用。泌尿科實習生透過模擬情境識別NTS事件，並獲得AI和人類顧問的反饋。結果顯示，GPT-4在知識強化、提供證據反饋、展現同理心及調整解釋方面表現優異，但在人類的語言術語和事實反饋上則更具優勢。研究建議結合AI與人類專業知識，可能會改善醫療NTS訓練，發揮兩者的互補優勢。 相關文章 PubMed DOI ♡

在多目標強化學習中，代理人透過探索學習任務，但面臨稀疏的獎勵挑戰，成功經驗稀少。回顧經驗重播（HER）能從失敗中創造經驗，但均勻抽樣效率不高。為改善此問題，本文提出失敗目標感知HER（FAHER），透過分析達成目標與失敗目標的關係來提升抽樣效率。FAHER利用聚類模型對重播緩衝區進行分組，實現更具策略性的抽樣。實驗結果顯示，FAHER在OpenAI Gym的三個機器人控制任務中，樣本效率優於基準方法。 相關文章 PubMed DOI ♡

這項研究評估了多種人工智慧聊天機器人（如ChatGPT、Bard和Gemini）在醫學生病理學考試中的表現，考題範圍涵蓋2018至2022年。測試70道題目後發現，較新的聊天機器人在多選題上表現優於學生，但在高難度問題上，學生的表現則更佳。此外，聊天機器人的得分與學生的不同意見率有關，顯示提示設計影響回應。總體來看，雖然聊天機器人在複雜推理上表現中等，但也有生成不正確資訊的問題，顯示醫學教育中使用自然語言處理的挑戰。 相關文章 PubMed DOI ♡

這篇論文對多語言大型語言模型（MLLMs）進行了全面回顧，強調其在多語言任務上的成功。雖然該領域已有進展，但缺乏系統性的調查。論文的貢獻包括： 1. **廣泛調查**：首次詳細回顧MLLMs中的多語言對齊。 2. **統一分類法**：提供分類框架，總結目前進展。 3. **新興前沿**：識別關鍵新興領域及其挑戰。 4. **豐富資源**：彙編開源資源，方便研究者使用。 作者希望這項工作能激發更多研究與突破。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT-4o在多學科肉瘤腫瘤委員會中的決策支持效果。研究設計了五個病患案例，並由專家小組評估AI的建議。專家根據理解能力、治療建議、術後護理等五個類別進行評分，結果顯示ChatGPT-4o的平均分數為3.76，外科專業得分最高（4.48），而放射腫瘤科得分較低。研究指出，雖然ChatGPT-4o在外科決策上有潛力，但在其他領域仍需改進，臨床醫師應了解其優缺點，以便更好地應用於臨床。 相關文章 PubMed DOI ♡

這項研究調查了醫療病房中出院處方的潛在藥物間相互作用（pDDIs），並比較了Micromedex與AI模型ChatGPT-4.0的有效性。研究涵蓋301名患者，發現60.13%的患者有pDDIs，平均每位患者有3.17個。ChatGPT-4.0在識別pDDIs方面準確率達100%，但在嚴重性和發作時間的準確率較低。多重用藥顯著增加pDDIs的風險。雖然ChatGPT-4.0顯示潛力，但醫療專業人員仍需保持警覺以管理藥物相互作用。 相關文章 PubMed DOI ♡

最近的研究發現，將Transformer模型與條件策略結合，可以有效提升離線強化學習的表現。傳統強化學習是依序接收觀察，而Transformer則同時處理多個觀察，這可能影響特徵提取及決策的準確性。為了解決這些問題，我們利用預訓練模型的少量學習特性，並結合提示學習來改善即時政策調整。透過從離線數據中抽樣特定信息，我們能快速掌握任務特徵。實驗結果顯示，我們的方法在相關任務中表現優於基準，並提升了對新環境的泛化能力及決策的穩定性。 相關文章 PubMed DOI ♡

人工系統是否能行動是人工智慧哲學中的重要議題，從架構和行為兩個角度探討此問題非常有意義。 1. **架構角度**：分析人工系統的基本結構與設計，探討其演算法及運作框架，關鍵問題包括AI系統的架構是什麼、不同架構如何影響行動能力，以及主體性是否僅是行為的功能。 2. **行為角度**：聚焦於人工系統在環境中的行動與互動，考慮如何定義「行動」、人工系統需滿足什麼標準才能被視為主體，以及其行為與生物主體的比較。 透過這些探討，我們能更深入理解人工系統的主體性，並在倫理、設計及未來發展上提供指導。 相關文章 PubMed DOI ♡

這項研究探討了使用GPT-4作為神經科學及醫學領域的病史採集工具。研究人員進行了一項觀察性試點研究，利用已發表的案例報告來獲取病史資料。研究使用三個模型來評估病史的準確性，結果顯示整體內容檢索準確率為81%。其中，頭痛的準確率為84%，中風82%，神經退行性疾病77%。雖然結果顯示這個大型語言模型能有效提取重要資訊，但仍需進一步驗證，以結合電子病歷和病人護理，發展更完善的診斷工具。 相關文章 PubMed DOI ♡

當前全球醫療保健面臨許多挑戰，顯示出臨床與科學界合作的重要性。不過，數據共享與病人隱私的法規問題可能會影響數據的獲取。為了解決這些問題，我們開發了NVIDIA FLARE，這是一個開源的聯邦學習框架，能在保護病人隱私的同時促進數據合作，並運用先進的加密技術來保障數據安全。我們展示了NVIDIA FLARE如何應用於預測COVID-19病人結果，並探討其他實際應用，讓數據擁有者能夠控制自己的信息。 相關文章 PubMed DOI ♡