這項研究提出了一種新方法來理解澀味，這種感官體驗會讓口腔感到乾燥，影響葡萄酒和茶等食物的味道。研究建立了包含238種澀味分子的數據庫，並開發了結合大型語言模型和機器學習的預測框架，能準確預測分子和肽的特性。研究還建立了一個高準確度的澀味預測器，並驗證其結果。此外，發現51%的澀味分子具抗菌特性。這些成果可透過AstringentPD和ABPD網站獲得，為食品科學和醫藥研究提供新方向。 相關文章 PubMed DOI ♡

這項研究探討了三個人工智慧模型在提供健康營養和懷孕期間體重管理資訊的有效性，分別是GPT-4、MedicalGPT和Med-PaLM。結果顯示，Med-PaLM的回應質量最高，平均得分3.93，顯著優於其他兩者。GPT-4的表現也優於MedicalGPT。在語義相似性方面，Med-PaLM在使用WORD2VEC時得分最高（0.92）。儘管Med-PaLM表現優越，研究仍強調持續進行AI在醫療領域的整合與改進的重要性，因為模型表現存在變異性。 相關文章 PubMed DOI ♡

這項研究探討了OpenAI的GPT-4進階數據分析（ADA）在分析重症監護病房病人胸部X光片的有效性。研究使用了43,788份病人報告，要求GPT-4進行多種分析，包括繪圖和預測模型。三位具機器學習經驗的科學家評估了GPT-4的輸出，結果顯示其視覺化和統計分析大多準確，但也有錯誤。GPT-4的機器學習模型AUC為0.75，與人類模型相近（0.80），準確率也相似。研究建議大型語言模型可增強放射學數據分析，但仍需注意準確性限制。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT 3.5在傳染病藥物治療問題上的回應質量，並由專家進行評估。結果顯示，只有41.8%的回應被認為有用，且雖然回應的正確性和安全性較高，但完整性不足。專家對回應的共識一般，對正確性和安全性則相當一致。總體來看，GPT-3.5的回應雖然正確且安全，但無法取代傳染病藥師的專業知識。 相關文章 PubMed DOI ♡

將人工智慧（AI）應用於重症醫療能提升病患照護，但AI模型中的偏見可能影響多樣性與公平性。本研究分析了兩個AI圖像生成模型（Midjourney和ChatGPT DALL-E 2）所產生的重症醫師圖像，並與美國勞動力數據比較。結果顯示，這些模型過度代表白人和年輕醫師，且女性比例偏低。研究強調在醫療領域使用AI時，必須重視公平性、透明度和倫理問題，以避免強化刻板印象。 相關文章 PubMed DOI ♡

這項研究評估了四種大型語言模型（LLMs）在生成冠狀動脈電腦斷層血管造影報告的CAD-RADS分數的表現。結果顯示，ChatGPT-4o的準確性最高，達87%，而ChatGPT-3.5雖然速度最快，但準確性最低，僅50.5%。Google Gemini Advanced的準確性為82.6%，而Google Gemini的失敗率較高，達12%。總體來看，雖然這些模型展現潛力，但在臨床應用前仍需改進。 相關文章 PubMed DOI ♡

這項研究提出了一種名為EvoScan的方法，旨在有效探索蛋白質序列與功能之間的關係。透過識別高維序列空間中的關鍵特徵，EvoScan幫助研究人員找到重要的錨點，並可應用於各種生物分子功能。 為了進一步探索序列空間，研究人員開發了深度學習和大型語言模型，能從錨點重建序列空間，預測新穎的高適應性蛋白質序列。這種混合方法EvoAI在抑制蛋白上測試，結果顯示僅82個錨點就能將序列空間壓縮10^48倍，對生物分子設計及自然進化過程提供深入見解。 相關文章 PubMed DOI ♡

大型語言模型（LLMs）在提升醫療服務上潛力巨大，但也帶來不少風險。主要擔憂在於這些模型可能根據不公正的標準來分配資源，涉及金融交易、線上行為、社交互動和醫療記錄等多種數據。研究指出，LLMs 可能顯示偏見，優先考量集體利益，卻犧牲個人權益，這可能為基於人工智慧的社會信用系統鋪路，進而引發醫療及其他領域的倫理與隱私問題。 相關文章 PubMed DOI ♡

整合生物醫學知識對改善醫療診斷和個人化治療至關重要，但面臨數據集術語不一致的挑戰。生物醫學實體對齊是關鍵，需識別不同數據集中的等效實體。近期，大型語言模型（LLMs）如BERT在處理異質數據上顯示潛力，但無單一模型能解決所有實體匹配問題。為此，我們提出兩階段LLM構建框架（TSLLM），透過多目標和單目標遺傳算法自適應選擇和結合LLM，提升異質實體的區分能力。測試結果顯示，TSLLM在實體匹配上表現優於現有技術。 相關文章 PubMed DOI ♡

研究蛋白質-蛋白質相互作用（PPIs）對於理解生物過程非常重要，尤其是在抗體與抗原、酶與抑制劑或促進劑的互動上。近期針對PPIs的研究，特別是與SARS-CoV-2的關聯，推動了疫苗的開發。雖然已有數據庫整理PPI網絡，但文本挖掘方法在新研究或少數物種中顯得尤為重要。比較不同的自然語言處理（NLP）工具後發現，傳統方法真陽性率高但網絡過度連接，機器學習方法則網絡結構相似但真陽性率低，而大型語言模型的表現則介於兩者之間。選擇合適的NLP方法需根據研究需求和文本量。 相關文章 PubMed DOI ♡