這項研究探討自動ICD編碼的挑戰，對保險理賠和疾病研究非常重要。由於臨床筆記複雜且變化多，手動編碼常常慢且易出錯。為了提升大型語言模型（LLMs）的表現，作者提出了一個微調框架，結合標籤注意機制、醫學知識注入及知識驅動的抽樣。實驗結果顯示，這個框架在MIMIC-III-50數據集上表現優於傳統微調方法，特別是在編碼器-解碼器模型中，準確率和F1分數都有顯著提升。 相關文章 PubMed DOI 推理 ♡

這項研究探討檢索增強生成（RAG）模型在術後鼻整形問題上的應用，目的是提升人工智慧在醫療中的準確性與可靠性。研究評估了四個RAG模型對30個常見病人詢問的回應，結果顯示雖然41.7%的回應完全準確，但非回應率高達30.8%，顯示理解上下文的挑戰。Gemini-1.0-Pro-002在全面性上表現佳，但可讀性和易懂性不足，而PaLM 2的可行性評分最低。這項研究強調了RAG在減輕醫師負擔和提升病人參與度的潛力，但也指出在臨床應用中需解決非回應和上下文理解的問題。 相關文章 PubMed DOI 推理 ♡

S2ERS 技術旨在提升大型語言模型（LLMs）在迷宮環境中的空間推理能力，改善路徑規劃。它採用了三個關鍵策略：首先，透過圖結構提取，幫助 LLMs 理解空間關係，減少錯誤；其次，納入狀態-行動價值函數（Q），指導 LLM 的決策，避免陷入死胡同；最後，透過多步推理，動態插入局部 Q 表，讓 LLM 同時生成多個行動步驟。實驗顯示，S2ERS 顯著減少了空間幻覺問題，成功率和最佳率分別提高約 29% 和 19%。 相關文章 PubMed DOI 推理 ♡

這項研究探討了2023年美國一所研究型大學的本科生在一門專注於可持續性與科技的通識課程中如何運用人工智慧（AI）。39名學生在最終專案中記錄了他們對AI的使用，分析了可持續性概念的聯繫。研究發現，學生主要用AI來增強表達，部分學生則用於更複雜的任務，如論點發展。雖然許多學生對AI生成的內容持懷疑態度，強調智識獨立性的重要性，但研究顯示AI在高等教育中有助於學習的潛力。 相關文章 PubMed DOI 推理 ♡

這篇論文介紹了網格人工智慧助手（GAIA），一種新型的大型語言模型，旨在提升電力調度的效率，對於穩定、經濟且環保的電力供應至關重要。傳統方法在複雜電力系統中表現不佳，而GAIA能協助進行操作調整和監控等任務。作者開發了獨特的數據集和提示策略，讓GAIA在ElecBench基準測試中表現優於LLaMA2。實際應用中，GAIA改善了決策制定和人機互動，為電力領域的未來發展奠定基礎。 相關文章 PubMed DOI 推理 ♡

在2023年中，有一項研究針對40名藥理學畢業專題的學生，評估他們對新型協作多媒體評估的體驗，該評估使用了人工智慧（AI）。研究發現，學生最初將AI視為個人導師，並將其角色分為仲裁者、神諭者和量化者。然而，實際上AI的使用主要集中在創意生成和數據分析，並未有小組利用AI生成最終的書面內容。這顯示學生對AI在評估中的角色存在疑慮，強調了教育者和學生需要更清晰的指導，以有效整合AI於學習和評估中，維持評估的完整性。 相關文章 PubMed DOI 推理 ♡

這項研究評估了三個大型語言模型（LLMs）—ChatGPT-4o、Google Gemini 1.5 Pro 和 Microsoft Copilot Pro—在回答葡萄膜炎和眼部炎症問題的表現，並與眼科醫生進行比較。研究隨機選取100個問題，結果顯示LLMs的正確回答率為80%至81%，而眼科醫生為72%。儘管LLMs的準確率較高，但統計分析顯示它們之間及與人類醫生之間並無顯著差異，因此無法證明LLMs在此領域的優越性。 相關文章 PubMed DOI 推理 ♡

將人工智慧（AI）和大型語言模型（LLMs）整合進德國醫療系統，能提升病人護理和臨床研究，但因數據保護法律複雜，實際應用仍有限。關鍵因素包括遵守GDPR、獲得病人同意、建立數據處理協議、確保醫療監督及提供者透明度。隨著AI技術進步，LLMs的應用潛力將增強，但需明確法律和倫理指導，以保障病人權益和數據安全。 相關文章 PubMed DOI 推理 ♡

這項研究評估了Visual ChatGPT在真實病人影像中進行壓力性傷害分期的效果，並與專業護理人員的表現進行比較。研究分析了155張影像，結果顯示專業護理人員的準確性較高。Visual ChatGPT在早期傷害評估上表現不錯，尤其是考慮傷口特徵時，但在處理複雜案例上仍需改進。這顯示AI在傷口護理中有輔助潛力，特別對於經驗不足的護理人員或缺乏專家的地區。研究遵循STROBE檢查表，未涉及病人或公眾參與。 相關文章 PubMed DOI 推理 ♡

這篇評論指出將像ChatGPT這樣的AI技術應用於醫療領域的潛在好處，包括提升效率、降低成本和改善病人結果。不過，它也強調了解決倫理挑戰的重要性，以確保公平使用。評論將這些挑戰分為五個主要領域：偏見、隱私、錯誤資訊、自主性和問責。為了解決這些問題，提出了INNOVATE框架，旨在為AI在醫療中的應用提供明確的倫理指導，促進負責任的整合，並減少倫理顧慮。 相關文章 PubMed DOI 推理 ♡