這篇論文探討了Cockpit-Llama的開發，這是一個專門用來預測駕駛者行為意圖的語言模型，目的是提升車輛駕駛艙的互動性。透過分析駕駛者的行為、歷史數據及環境狀態，Cockpit-Llama能做出準確預測，協助主動決策。研究團隊還建立了一個新的多屬性駕駛艙數據集，涵蓋情緒和身體狀況等多方面資料。使用低秩適應（LoRA）進行微調後，實驗結果顯示Cockpit-Llama在預測準確度上超越了現有方法，顯著改善了智能駕駛艙的推理能力。 相關文章 PubMed DOI ♡

這項研究評估了AtlasGPT和ChatGPT 4.0在預測動脈瘤性蛛網膜下腔出血（aSAH）患者的準確性，並與傳統臨床評估量表比較。研究包含82名患者，結果顯示住院死亡率為22%，34.1%需進行減壓性半顱切除手術。出院時28%患者有良好結果，六個月後提升至46.9%。AtlasGPT在預測手術需求方面表現最佳（AUC 0.80），而WFNS量表在長期功能預測上最為準確（AUC 0.76）。研究建議結合AI模型與傳統量表可提升預測準確性。 相關文章 PubMed DOI ♡

隨著科學文章數量快速增加，如何組織和提取資訊成為一大挑戰，顯示出自動化的必要性。本研究探討利用大型語言模型（如OpenAI的GPT-4.0）來提取科學文獻中的關鍵洞察。我們開發了名為ArticleLLM的系統，透過手動基準微調來提升模型表現，並採用多演員LLM策略，結合多個微調模型的優勢，增強提取效果。本研究顯示LLMs在關鍵洞察提取上的潛力，並強調協作微調的好處，有助於提升學術文獻調查與知識發現的效率。 相關文章 PubMed DOI ♡

COVID-19疫情對全球醫療系統造成壓力，特別是孕婦面臨更高健康風險。錯誤資訊的增加讓婦產科醫生在提供疫苗安全性建議時面臨挑戰。研究評估了四個AI模型（ChatGPT-3.5、ChatGPT-4、Microsoft Copilot和Google Bard）在提供COVID-19對懷孕影響的準確性。結果顯示，ChatGPT-4和Microsoft Copilot表現最佳，但仍有些不準確之處。研究強調了在醫療溝通中保持中立和客觀的重要性，並建議根據受眾選擇合適的AI工具。 相關文章 PubMed DOI ♡

這項研究提出了一個框架，利用Meta的Llama-3-8B大型語言模型來檢測法語電子健康紀錄中的痛風。由於“goutte”有多重含義，準確檢測變得困難。研究比較了該模型與傳統的正則表達式方法，使用700段來自瑞士日內瓦大學醫院的EHR資料。結果顯示，該模型在痛風檢測上達到92.7%的正確預測率和95.4%的整體準確率，並在600段鈣焦磷酸鹽沉積病的資料上也表現良好，達94.1%準確率。這顯示LLM在非英語EHR中識別疾病的潛力，有助於改善臨床試驗的病人招募。 相關文章 PubMed DOI ♡

這項研究評估了GPT-4在總結介入放射學報告的效果，旨在幫助外行人理解並翻譯醫學文本。研究總結了200份報告，並用Flesch-Kincaid閱讀水平和Flesch閱讀容易度分數來評估可讀性。結果顯示，總結後的可讀性明顯改善，外行人的理解分數也從2.5提升至4.3。雖然翻譯成其他語言後誤資訊略有增加，但關鍵錯誤資訊並未顯著上升。整體而言，GPT-4在提升報告可讀性和病人溝通方面展現了潛力。 相關文章 PubMed DOI ♡

這項研究調查了丹麥18,000名員工在11種職業中對ChatGPT的使用情況，發現年輕和經驗較少的員工特別喜愛這個工具。不過，女性使用ChatGPT的機率比男性低16個百分點。值得注意的是，使用ChatGPT的員工在推出前的收入稍高，但工作年限較短。儘管大家認為ChatGPT能提升生產力，卻仍面臨雇主限制和對額外培訓的需求等挑戰。 相關文章 PubMed DOI ♡

這項研究評估了七個大型語言模型（LLMs）在中國國家護理執照考試（CNNLE）上的表現，涵蓋了2019至2023年的1200道多選題。結果顯示，Qwen-2.5的準確率最高，達88.9%，接著是GPT-4o（80.7%）和ERNIE Bot-3.5（78.1%）。研究還探討了結合機器學習技術的潛力，使用XGBoost模型後準確率提升至90.8%。這是首個針對CNNLE評估LLMs的研究，顯示它們在醫療教育中的潛力，建議進一步研究以提升考試準備和專業訓練的有效性。 相關文章 PubMed DOI ♡

這段文字探討了複雜的深度學習模型在基因組學中的重要性，特別是透過內含子保留來理解基因調控。文中提到兩種大型基因組模型：自我監督的大型語言模型用於DNA序列，以及基於廣泛基因組數據集的監督模型。作者認為這些模型在功能上類似於自然語言處理的基礎模型，能有效編碼染色質狀態，幫助創建準確的基因調控模型。特別是Sei模型在開發可解釋的內含子保留模型方面表現優異，超越了DNABERT-2模型，並揭示了轉錄因子和染色質標記的調控作用。 相關文章 PubMed DOI ♡

這項研究探討如何利用大型語言模型（LLMs）來提升自然語言處理中的文本相似性理解。研究中，微調後的LLaMA模型（70億參數）在F1分數上達到84.9%，超越了先前的Siamese卷積神經網絡（82.02%）。此外，700億參數的LLaMA3.1模型也表現不俗，F1分數為74.4%。這顯示微調LLMs對特定任務的有效性，並建議可應用於履歷與職位匹配及學術投稿審稿人識別等領域。 相關文章 PubMed DOI ♡