在臨床上，區分脊椎結核（STB）和脊椎腫瘤（ST）相當困難。本研究評估了多種機器學習模型及ChatGPT-4的有效性，分析了143例STB和153例ST的病例。結果顯示，梯度提升機（GBM）表現最佳，訓練隊列的敏感性達98.84%，特異性100%；測試隊列的敏感性為98.25%，特異性91.80%。相比之下，ChatGPT-4的敏感性僅70.37%，特異性90.65%。總體來看，GBM在區分STB和ST方面非常有效，而ChatGPT-4的診斷表現則不太可靠。 相關文章 PubMed DOI ♡

多學科團隊（MDTs）在癌症護理中非常重要，但需要專家投入大量時間，導致醫療成本上升。最近大型語言模型（LLMs）的進展，可能提升臨床決策的效率，並降低MDT的相關成本。 一項針對171名新診斷前列腺癌患者的研究比較了兩個LLMs（chatGPT-4和Claude-3-Opus）與MDT會議的建議。結果顯示，LLMs的遵循率高達93%。不一致的情況主要因為臨床資訊不足。研究顯示，LLMs能生成準確的治療建議，未來有潛力簡化MDT流程，讓專家專注於更複雜的案例，並降低醫療成本。 相關文章 PubMed DOI ♡

虐待性頭部創傷（AHT）是幼兒死亡的重要原因，特別在急救醫療服務（EMS）中，識別此情況相當困難。本研究利用人工智慧（AI）和大型語言模型（LLMs）分析EMS的敘述文件，以檢測36個月以下有頭部受傷的兒童是否有AHT。研究顯示，增強的自然語言處理框架具備高敏感性（92.3%）和特異性（72.4%），能有效提升AHT的檢測能力，改善幼兒的醫療結果。 相關文章 PubMed DOI ♡

Protein CREATE（計算重設透過實驗增強訓練引擎）是一個創新的流程，結合計算設計與實驗驗證，提升蛋白質結合劑的開發效率。透過先進技術如下一代測序和噬菌體展示，研究人員能夠收集大量的結合數據，並生成數千種針對IL-7受體α和胰島素受體的設計結合劑。這項研究不僅發現了新的結合劑，還提供了結合特性的深入見解，強調結構特徵的重要性，並促進設計-建造-測試的閉環循環，未來將更精確地設計蛋白質結合劑。 相關文章 PubMed DOI ♡

最近在視網膜影像的人工智慧（AI）方面有兩大進展：判別性AI和生成性AI。判別性任務中，卷積神經網絡（CNN）仍是主流，但視覺變壓器（ViT）因其在糖尿病視網膜病變篩檢等任務中的優異表現，逐漸受到重視。生成性方面，生成對抗網絡（GAN）則用於創建新影像，幫助解決數據不平衡問題。儘管AI技術快速進步，但在實際應用上仍有距離，需更多證據證明其能有效預防視力喪失。 相關文章 PubMed DOI ♡

這個教學強調理解人們對風險、可持續性和智慧等概念的心理表徵，對心理學研究者和政策制定者都很重要。它介紹了利用自由聯想來收集這些心理表徵的見解，並使用R套件<i>associatoR</i>進行數據的收集、處理和分析。內容涵蓋研究設計考量及自然語言處理技術，還包括大型語言模型的應用。作者認為，自由聯想分析是一個強大的工具，能揭示個人和機器如何理解重要的社會與技術議題。 相關文章 PubMed DOI ♡

這項研究評估了GPT-4和GPT-4o在識別需進一步評估的胸部放射線報告的效果。研究分析了來自NIH的100個案例，結果顯示GPT-4o在敏感性、準確性和陰性預測值上均優於GPT-4，而GPT-4在特異性和陽性預測值上則表現更佳。總體來看，GPT-4o在臨床應用中顯示出良好的潛力。 相關文章 PubMed DOI ♡

這篇文章探討了人工智慧（AI）在手稿寫作中的應用，指出其優勢與挑戰。雖然AI能提升寫作效率，但也需關注準確性及人類洞察力的缺失。文章強調制定有效提示的重要性，以發揮AI的潛力並創作高品質手稿。此外，還回顧了出版商的指導方針，確保負責任地使用AI。AI工具在文獻回顧、統計分析和語言精煉方面的協助也被提及。最終，文章主張應平衡使用AI與人類的創造力和批判性思維，才能做出有意義的貢獻。 相關文章 PubMed DOI ♡

這項研究評估了兩個大型語言模型（LLMs），Mistral-7B-Instruct 和 Llama3-70B-chat-hf，使用660名患者的電子健康紀錄來預測敗血症、心律不整和充血性心臟衰竭等病症的診斷機率。結果顯示，傳統的極端梯度提升（XGB）分類器在所有任務中表現優於LLMs。雖然LLM嵌入+XGB的表現接近XGB，但口頭信心和標記對數的效果較差。研究建議未來應結合LLMs與數值推理，以提升診斷準確性，並強調目前LLMs在臨床應用上仍需改進。 相關文章 PubMed DOI ♡

呼吸系統疾病是全球健康的重要議題，常因症狀重疊而誤診。為了解決這個問題，我們開發了**LungDiag**，一個基於人工智慧的診斷系統，透過自然語言處理從電子健康紀錄中提取關鍵臨床特徵，以更準確地分類疾病。研究使用了31,267份EHRs進行訓練，並用1,142份進行驗證。**LungDiag**的診斷能力相當出色，主要診斷的F1分數達0.711，超越人類專家及ChatGPT 4.0。未來仍需進一步研究以確認其臨床有效性。 相關文章 PubMed DOI ♡