LLM 相關三個月內文章 / 第 136 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

LLaMA系列語言模型,特別是最新的LLaMA3,因其在多項任務上的優異表現而受到矚目,這得益於其在超過15兆個標記上的預訓練。隨著低位元量化在資源有限環境中的重要性增加,本研究探討了LLaMA3在1-8位元量化下的表現。研究評估了十種後訓練量化和LoRA微調方法,並檢視了LLaVA-Next-8B模型在超低位元(2-4位元)下的效果。結果顯示,低位元量化會顯著影響模型性能,特別是在超低位元情況下,突顯未來模型開發需解決的性能差距。 相關文章 PubMed DOI

NaviGPT是一個創新的導航系統,專為視覺障礙者設計,結合了LiDAR障礙物檢測、震動反饋和大型語言模型(LLMs)。與傳統解決方案需切換多個應用不同,NaviGPT提供即時的環境資訊,簡化使用者體驗,讓導航更有效率和直觀。此外,透過位置和感測器數據,NaviGPT能解決回應延遲問題,確保在各種環境中提供即時支援。 相關文章 PubMed DOI

這項研究評估了GPT-4在解讀美國和中國骨關節炎治療指導方針的能力,以及在骨科病例診斷和管理上的有效性。研究結果顯示,GPT-4對指導方針的正確匹配率為46.4%,準確度得分為4.3±1.6,完整性得分為2.8±0.6。在模擬案例中,超過88%的回應被認為是全面的。總體來看,GPT-4在骨科實踐和病人教育上有潛力,但在臨床應用上仍需進一步驗證。 相關文章 PubMed DOI

這項研究評估了三款AI聊天機器人(ChatGPT-4.0、ChatGPT-3.5和Google Gemini)在美國骨科醫學會針對小兒肱骨上髁骨折和股骨幹骨折的建議中的準確性。結果顯示,ChatGPT-4.0和Google Gemini的準確率較高,分別為11項和9項建議。雖然所有機器人都提供了補充資訊,但修改需求各異,且可讀性方面Google Gemini表現較佳。整體而言,這些工具在小兒骨科病人教育上仍需改進。 相關文章 PubMed DOI

這篇論文探討了名為Lilobot的電腦代理,旨在透過角色扮演模擬協助荷蘭兒童求助熱線的新諮詢師訓練。Lilobot模擬一位遭霸凌的孩子,讓受訓者練習五階段模型的對話策略。研究發現,使用Lilobot的訓練後,諮詢師的自我效能感反而下降,但反饋指出Lilobot有潛力成為有效的訓練工具。論文還提出三個未來研究方向,包括增強情感整合、提供指導性反饋,以及利用大型語言模型進行更動態的對話。 相關文章 PubMed DOI

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