LLM 相關三個月內文章 / 第 16 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

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

這項研究評估了ChatGPT-4在生殖醫學問題上的表現，使用醫師考試資料庫和治療指導方針的查詢。三位專家根據相關性、準確性、完整性和可理解性進行評分。結果顯示，ChatGPT-4在該領域知識豐富，相關性和可理解性良好，但多選題的準確率僅為63.38%。專家評分差異明顯，其中一位專家評分較高。雖然它提供了實用建議和對指導方針的理解，但對地區性差異的知識仍有不足。總體來看，它可能成為生殖醫學中對患者和醫師的有用輔助工具。 相關文章 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在診斷代謝功能障礙相關脂肪肝病（MASLD）的有效性，數據來自2017-2018年的NHANES。結果顯示，GPT-4的診斷準確性與傳統評分系統（如脂肪肝指數）相當，ROC曲線下面積（AUROC）分別為0.831、0.817和0.827，且優於GPT-3.5。此外，GPT-4V在解讀MASLD患者的超音波影像上顯示潛力，但準確性仍不及經驗豐富的放射科醫師。總體而言，GPT-4在診斷MASLD方面表現良好，並在便利性和多樣性上具優勢。 相關文章 PubMed DOI

這項研究評估了ChatGPT-4在小兒心臟病學中解讀多模態影像的能力，針對100道包含心臟超音波、血管造影、X光和心電圖的選擇題進行測試。結果顯示，提供影像時正確率為41%，心電圖的準確率最高（54%），而血管造影最低（29%）。不提供影像時，表現稍降至37%。研究指出，ChatGPT-4在解讀影像的能力有限，強調需進一步訓練才能整合進臨床實踐，並需更多研究探討其臨床推理能力。 相關文章 PubMed DOI