新合金設計是一個複雜的挑戰，通常需要專業知識和漫長的過程，包括數據檢索、計算方法、實驗驗證和結果分析。機器學習，特別是深度代理模型，可以加速這個過程，但傳統數據驅動模型缺乏靈活性。為了解決這些問題，我們推出了AtomAgents，一個具物理意識的生成式AI平台，透過多個AI代理協同工作，結合大型語言模型的優勢，能自主設計性能更佳的金屬合金，並在生物醫學材料、可再生能源等領域展現潛力。 相關文章 PubMed DOI ♡

人工智慧（AI）與深度學習（DL）結合光學相干斷層掃描（OCT），在青光眼的診斷和管理上取得了顯著進展。研究指出，卷積神經網絡（CNNs）在視網膜層分割和青光眼損傷識別上特別有效，而遞迴神經網絡（RNNs）則擅長追蹤疾病進展。生成對抗網絡（GANs）能提升影像質量，自編碼器則有助於特徵提取。儘管如此，數據可用性和偏見等挑戰仍需克服，以便在臨床上成功應用這些技術，進而實現更精確的青光眼治療。 相關文章 PubMed DOI ♡

這項研究比較了視光學學生、碩士生和執業視光師對ChatGPT提供的近視資訊的理解。研究團隊發放問卷給225名參與者，結果顯示執業視光師對近視併發症的評價較學生正面，顯示臨床經驗影響感知（p < 0.001）。不過，對近視預防的看法在各組間相似（p = 0.28）。執業視光師對隱形眼鏡和藥物等治療方法的有效性也持更積極態度（p < 0.001 和 p = 0.004）。整體來看，研究強調教育程度對AI資訊解讀的影響，執業視光師對ChatGPT的信任度較高。 相關文章 PubMed DOI ♡

這項研究介紹了MaTableGPT，一個基於GPT的工具，專門從材料科學文獻中的表格提取數據，特別針對水分解催化劑。傳統的提取方法因表格格式多樣而不夠有效。MaTableGPT透過改進的數據表示和分割策略，提升理解能力，提取準確率高達96.8%。研究比較了零樣本、少樣本和微調學習方法，發現少樣本學習在準確性和成本上達到最佳平衡，提取準確率超過95%。此外，MaTableGPT建立的數據庫為催化劑的過電位和元素利用率提供了重要見解。 相關文章 PubMed DOI ♡

大型語言模型（LLMs）因其自然語言處理能力而受到關注，但也引發了心理健康方面的擔憂，如不平等、污名化和依賴性等。本文利用行動者網絡框架分析人類與LLMs的互動，將風險分為四個層級，並提出CORE風險評估鏈來管理這些風險。我們強調負責任的LLM開發，並指出心理健康專業人員在評估和監管風險中的重要角色，包括與開發者合作和提升公共意識。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT 3.5和4.0在提供創傷性牙齒損傷資訊上的表現，針對40個問題進行分析。主要發現包括：ChatGPT 3.5的原創回應較多，且可讀性稍好（FRES得分39.732），而4.0在定義和診斷的質量上表現較佳。雖然兩者在可讀性和可靠性上有挑戰，但仍提供高質量資訊，建議作為牙科教育的輔助資源。 相關文章 PubMed DOI ♡

這項研究探討人類評審者在辨識ChatGPT生成的科學摘要與原始摘要的準確性。來自不列顛哥倫比亞大學的41名外科實習生和教職員參加了線上調查，結果顯示只有40%能正確識別原始摘要，而63.4%偏好AI生成的摘要。分析指出，偏好原始摘要的受訪者更容易正確識別。這顯示人類在區分AI與人類生成內容上面臨挑戰，並且對AI生成的摘要有明顯偏好，突顯了AI在學術寫作中的影響及其倫理考量。 相關文章 PubMed DOI ♡

這項研究評估了三個大型語言模型（LLMs）—ChatGPT 4.0、AtlasGPT 和 Gemini—在識別血管內神經外科手術報告中的程序術語（CPT）代碼的效果。分析了30份手術記錄後，AtlasGPT 表現最佳，正確識別35.3%的 CPT 代碼，ChatGPT 緊隨其後，正確率為35.1%，而 Gemini 僅有8.9%。統計分析顯示這些模型之間的表現差異顯著。研究指出，雖然這些模型能部分識別 CPT 代碼，但進一步訓練可提升準確性，並可能降低醫療成本。 相關文章 PubMed DOI ♡

這項研究探討心理概念重疊的問題，這種重疊讓數據解釋變得複雜，增加了參與者的負擔。研究引入了一種名為嵌入式語義分析方法（ESAA），利用自然語言處理技術檢測心理量表中的冗餘。透過OpenAI的text-embedding-3-large模型，ESAA生成高維語義向量，並用層次聚類識別相似項目。 研究進行了三個實驗，評估ESAA在識別相似項目、區分不同項目及揭示冗餘方面的有效性。結果顯示，ESAA表現穩定且優於基於GPT-4的聊天機器人，顯示其在心理研究中的潛力。 相關文章 PubMed DOI ♡

這項研究提出了一個創新的人工智慧解決方案，幫助泰國老年患者進行藥物管理，特別是解讀藥物標籤。研究測試了兩種模型：一個是結合EasyOCR和Qwen2-72b-instruct的兩階段模型，另一個是使用Qwen2-72b-VL的單階段視覺問答模型。兩者都以零樣本方式運作，並利用增強檢索生成技術。結果顯示，兩階段模型準確率高達94%，在上下文回憶和語義相似性方面表現優異，而單階段模型則反應更快，適合高流量環境。這項研究強調了人工智慧在醫療保健中的應用潛力。 相關文章 PubMed DOI ♡