這項研究強調大型語言模型（LLMs）在醫療領域的潛力，特別是透過檢索增強生成（RAG）來提升數據透明度和準確性。研究團隊開發了GuideGPT，一個能理解上下文的聊天機器人，整合了449篇科學文獻的知識，提供有關藥物相關性顳骨壞死（MRONJ）的資訊。與通用的PureGPT相比，GuideGPT在內容、科學解釋和一致性上表現更佳，顯示RAG能有效提升LLM的回應質量，成為臨床實踐中的重要工具。 相關文章 PubMed DOI ♡

這項研究比較了AI工具（ChatGPT-4）和人類導師在牙科學生作業反饋的效果。共評估194個回答，結果顯示在某些問題上AI的表現更佳，尤其在識別錯誤和提供清晰建議方面。雖然學生對人類導師的反饋感到更舒適，但在理解錯誤和批判性思考的促進上，兩者並無顯著差異。整體來看，AI工具有潛力成為人類輔導的有效補充，能更快速提供詳細反饋。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT 4.0在回答有關拳擊手骨折的常見問題的準確性。研究人員從五個可信醫療來源中挑選出十大問題，並請三位手部骨科專家根據A-F的評分標準進行評分。結果顯示，ChatGPT的整體評分為B，表示答案通常足夠，但需小幅澄清。值得注意的是，7個回答建議使用者諮詢醫療專業人員。一般性問題得分較高（A-），而管理相關問題得分較低（C+）。整體而言，ChatGPT能有效回答有關拳擊手骨折的問題。 相關文章 PubMed DOI ♡

這項研究開發了一個名為RAMIE的框架，專門用來從臨床記錄中提取膳食補充劑的資訊，重點在四個任務：命名實體識別、關係提取、三元組提取和使用分類。RAMIE透過指令微調、多任務訓練和檢索增強生成來提升效率和性能。結果顯示，Llama2-13B模型在命名實體識別和關係提取上都有所提升，而Llama2-7B在三元組提取上表現更佳。整體而言，RAMIE在多任務資訊提取上顯示出顯著進展。 相關文章 PubMed DOI ♡

製藥產業正專注於改善藥物開發，目的是降低成本、提升效率，並改善病患的治療效果。模型導向藥物開發（MIDD）透過數學模型模擬藥物的吸收和代謝，而人工智慧（AI）則利用機器學習分析大量數據，進行更準確的預測。結合MIDD與AI，可以透過虛擬試驗優化藥物選擇和治療策略，降低風險。不過，數據質量、隱私和模型可解釋性等挑戰仍需克服。這種整合有潛力改變藥物發現和個人化醫療，對病患和製藥業皆有益處。 相關文章 PubMed DOI ♡

這項研究評估了幾款自然語言處理聊天機器人（如ChatGPT、Gemini和Bing）對冠狀動脈疾病（CAD）問題的回答準確性。每個機器人回答了五十個問題，並由兩位心臟科醫生評分。結果顯示，ChatGPT的正確回答達86%，而Gemini和Bing分別為68%和60%。在重現性方面，ChatGPT得分88%，Gemini為84%，Bing則是70%。總體來看，ChatGPT在提供CAD資訊的準確性和可靠性上表現最佳，顯示其在患者教育上的潛力。 相關文章 PubMed DOI ♡

這篇文章探討感測器技術（如環境感測器、生物識別和物聯網設備）與對話式人工智慧（如ChatGPT 4.0）的整合。強調即時數據如何增強AI對環境和使用者情境的理解。內容涵蓋感測器網路的科學原理、數據處理技術，以及這些技術如何與生成模型結合，創造智能互動系統。主要主題包括ChatGPT分析感測器數據進行情境對話、醫療應用（如穿戴式感測器和AI聊天機器人）及智慧家庭互動，旨在促進感測器技術與AI開發的研究進展。 相關文章 PubMed DOI ♡

這篇論文探討Android惡意軟體檢測的挑戰，特別是因為Android系統普及和隱私問題導致的流量數據不足。它提出了一個名為Syn-detect的兩步驟智慧感知模型，利用大型語言模型（LLMs）來生成和分類網路流量中的惡意軟體。 首先，使用GPT-2生成合成的TCP惡意流量數據，然後用微調過的BERT模型進行分類。Syn-detect在CIC-AndMal2017和CIC-AAGM2017數據集上表現優異，準確率分別達99.8%和99.3%，顯示出其在行動安全上的有效性。 相關文章 PubMed DOI ♡

所提出的知識蒸餾增強行為轉換器（KD-BeT）框架，結合模仿學習和強化學習的優勢，旨在改善自駕車的行為決策。雖然強化學習在複雜環境中的推理能力較弱，但KD-BeT利用變壓器的上下文推理能力來增強決策。首先，透過模仿學習訓練教師模型，再利用知識蒸餾指導學生模型，提升強化學習的效率和性能。模擬結果顯示，KD-BeT在CARLA NoCrash基準測試中表現優異，特別在交通效率和駕駛安全性上超越其他方法，為解決自駕車挑戰提供了新思路。 相關文章 PubMed DOI ♡

這篇論文提出了一個創新的多代理深度學習框架，專注於優化無人機（UAV）在去中心化環境中的軌跡。透過將問題設置為去中心化部分可觀察馬可夫決策過程（Dec-POMDP），該框架克服了現有價值分解演算法的限制，能更好地連結局部觀察與UAV群體的全局狀態。結合QTRAN演算法與大型語言模型（LLM），並利用圖卷積網絡（GCNs）及自注意力機制，模擬結果顯示其收斂速度和任務完成率顯著提升，改進幅度超過10%。這個框架在UAV軌跡優化及邊緣計算場景中，展現了重要的進展。 相關文章 PubMed DOI ♡