這篇文章探討了ChatGPT在醫學寫作中的應用，特別是對一年級醫學生撰寫病例報告的協助。雖然ChatGPT並未專門訓練於醫學領域，但它在解讀臨床資訊上表現出色。研究顯示，ChatGPT能有效生成摘要、校對及提供醫學見解，成為醫學寫作的有用工具。不過，由於其限制，ChatGPT無法取代作者，應以合作方式使用。作者建議應制定指導方針，以優化ChatGPT等自然語言處理模型在臨床研究中的應用，而非完全禁止。 相關文章 PubMed DOI ♡

短文本聚類面臨詞彙共現的挑戰，但研究顯示大型語言模型（LLMs）能有效生成嵌入，捕捉語義細微差異，改善聚類結果。透過高斯混合模型，聚類效果比傳統方法如doc2vec和潛在狄利克雷分配更明顯且易解釋。人類評審和生成型LLM的驗證顯示高一致性，顯示LLM能縮短聚類產出與解釋的距離。此外，LLM與人類編碼的比較揭示了兩者的偏見，質疑傳統將人類編碼視為最終標準的做法。 相關文章 PubMed DOI ♡

最近人工智慧的進展促進了影像合成模型的發展，例如OpenAI的DALL·E 2，能創造出類似人類藝術作品的作品。研究顯示，參與者對AI生成的藝術作品有明顯偏好，但另一組參與者能更準確地識別出AI作品，顯示人類藝術與AI藝術之間有可辨識的差異。這引發了關於AI在藝術領域影響的討論，包括著作權、真實性及人類創造力的演變等問題。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT4o在回答日本認證物理醫師考試問題的表現，重點在於準確性及其作為教育和臨床支援工具的潛力。2021年正確率79.1%，2022年80.0%，2023年達86.3%，整體準確率為81.8%。文字型問題表現較佳，正確率83.0%，影像型問題則為70.0%。大部分錯誤與資訊問題有關，佔92.8%。研究顯示，雖然ChatGPT4o在教育上有潛力，但在臨床應用，特別是影像解讀和專業主題上仍需改進。 相關文章 PubMed DOI ♡

現代大型語言模型（LLMs）引起了廣泛關注，展現出驚人的能力，但有時也會出錯，顯示出人工智慧在日常生活中的潛力與挑戰。雖然許多研究致力於改善這些模型，但人類與LLM的合作動態仍待深入探討。本文強調未來研究應優先考慮人類與LLM的互動，並指出可能妨礙合作的偏見，提出解決方案，並概述促進相互理解及提升團隊表現的研究目標，以改善推理與決策過程。 相關文章 PubMed DOI ♡

大型語言模型（LLMs）在醫療領域的應用越來越受到重視，能提升診斷準確性和病患照護效率。本研究透過文獻計量分析，探討2021至2024年間的研究趨勢，分析超過500篇相關文章，並使用VOSviewer和CiteSpace工具進行系統性回顧。主要發現顯示，神經網絡在影像診斷和自然語言處理等方面的應用顯著增長，並識別出臨床研究、人工智慧等新興子主題。這項分析不僅概述了當前狀態，還指出未來發展的關鍵領域。 相關文章 PubMed DOI ♡

這項研究比較了ChatGPT 4o和ChatGPT 4o mini在診斷和治療伴隨神經根症狀的腰椎間盤突出（LDH）的能力。研究評估了21個問題，並由五位骨科醫生檢視兩者的回答準確性和可靠性。結果顯示，ChatGPT 4o在分析53名病人的影像時，識別LDH的準確率達0.81，且與醫生的協議程度為中等。雖然兩者都有強大的臨床支援能力，但ChatGPT 4o的回答更全面。不過，內容的複雜性仍需改進，以提升病人的理解和減少焦慮。 相關文章 PubMed DOI ♡

這項初步研究探討了一個檢索增強生成（RAG）大型語言模型（LLM）系統在改善醫學影像報告的效果，特別針對正電子發射斷層掃描（PET掃描）。透過整合超過10年的PET報告數據，這個自訂的LLM框架能根據相似性進行檢索，並生成具上下文的答案。經驗豐富的核醫學醫師評估後發現，84.1%的檢索案例相關，RAG系統在建議潛在診斷上表現優於傳統LLM，顯示出在醫學影像實務中AI工具的潛力。 相關文章 PubMed DOI ♡

這項研究評估了五款AI聊天機器人對口腔癌問題的回應，包括Bing、GPT-3.5、GPT-4、Google Bard和Claude。經過專家評估，GPT-4獲得最高質量分數（17.3），而Bing最低（14.9）。Bard在可讀性上表現最佳，GPT-4和Bard在同理心及引用準確性方面也表現突出。整體來看，GPT-4提供的回應質量最高，但大多數聊天機器人在同理心和準確引用上仍有待加強。 相關文章 PubMed DOI ♡

ESCARGOT 是一種創新的方法，結合動態思維圖和生物醫學知識圖譜，提升像 GPT-4 這樣的大型語言模型的效能。它解決了檢索增強生成技術的常見問題，如上下文長度限制和向量相似性搜索的不準確性，從而提高輸出可靠性，減少幻覺，特別在高精確度的開放式問題上表現優異。此外，ESCARGOT 提供更大的透明度，使用者能檢視代碼和知識請求，避免傳統模型的黑箱問題。它可作為 pip 套件使用，並可在 GitHub 上找到，網址是：https://github.com/EpistasisLab/ESCARGOT。 相關文章 PubMed DOI ♡