這項研究針對從非結構化的心血管診斷報告中提取數據的挑戰，特別是經胸心臟超音波檢查（TTE）報告。研究人員開發了一個兩步驟的過程，利用Llama2 70b和Llama2 13b模型。首先，Llama2 70b根據3,000份報告生成各種格式的TTE報告；接著，Llama2 13b（HeartDx-LM）微調這些報告以提取臨床數據。結果顯示，HeartDx-LM在多個數據集上表現優異，成功自動化將非結構化報告轉為結構化數據，提升心血管護理並促進研究，並已公開供使用。 相關文章 PubMed DOI ♡

深度學習在醫學，特別是血液學方面，已取得顯著進展。這篇綜述介紹了深度學習的基本概念、架構及訓練方法，並探討其在血液學的應用，包括分子層面的數據分析、細胞形態學評估及病症診斷。深度學習還能分析臨床數據，提升病患照護。儘管成果令人鼓舞，但仍面臨模型普遍性和可解釋性等挑戰，且在血液學領域的應用速度較慢。 相關文章 PubMed DOI ♡

這項研究探討大型語言模型（LLMs）的訓練後參數量化，提出了一種新方法「不一致處理量化」（QuIP）。QuIP 的重點在於，當權重和 Hessian 矩陣不一致時，量化效果更佳，這表示權重大小均勻且重要的四捨五入方向與坐標軸不對齊。QuIP 包含兩個步驟：自適應四捨五入過程和高效的前後處理，能透過隨機正交矩陣確保不一致性。研究顯示，QuIP 增強了現有量化算法，僅用兩位數就能達到有效結果，程式碼已在 GitHub 上公開。 相關文章 PubMed DOI ♡

這篇論文探討了大型語言模型（LLMs）驅動的聊天機器人，如何分享運動對癲癇患者的好處。LLMs 能生成詳細文本並促進結構化對話，成為提供治療選擇的有用工具，包括運動。不過，我們也提到 LLMs 的限制，如需人類監督，以及在特定主題上可能提供不準確資訊的風險。儘管如此，LLM 聊天機器人在輔助癲癇管理和改善資訊獲取方面，特別是在運動領域，仍顯示出潛力。 相關文章 PubMed DOI ♡

這項研究探討大型語言模型（LLM）聊天機器人中可能存在的種族和性別偏見，特別是在腫瘤學領域。研究發現，這些偏見可能加劇醫療不平等。三個聊天機器人（Chat GPT、Gemini和Bing Chat）在回應腫瘤學相關情境時，顯示出以下主要問題： 1. **職業偏見**：黑人和美洲原住民更常被聯想到腫瘤護理師，而非腫瘤科醫生，且護理角色偏向女性。 2. **人口代表性**：Chat GPT推薦的腫瘤科醫生中，亞洲人過度代表，黑人和西班牙裔則不足。 3. **職位描述**：不同背景的群體收到的職位描述強調文化能力，卻忽略治療管理。 4. **病人檔案刻板印象**：AI生成的癌症案例未能準確反映現實，延續了刻板印象。 這是首個系統性檢查腫瘤學領域AI偏見的研究，為未來的評估提供了框架。 相關文章 PubMed DOI ♡

營養對運動表現至關重要，尤其是超耐力運動。許多運動員缺乏足夠的營養知識，而新興的數位工具可能有助於改善這一點。ULTRA-Q問卷評估了多個AI模型的營養知識，結果顯示ChatGPT-4以93%準確率居首，Microsoft Copilot、Google Bard和ChatGPT-3.5分別為92%、84%和83%。這些AI在液體攝取和身體組成方面表現優異，顯示出它們在運動營養知識上具備高水平專業能力，未來可成為運動員的營養教育資源。 相關文章 PubMed DOI ♡

大型語言模型（LLMs）如ChatGPT的出現，顯示了生成式人工智慧（AI）在各領域的潛力。生成式AI能創造多樣的數據形式，包括文本、圖像和音頻。最近的多模態技術進展，增強了同時處理文本和影像的能力，特別是在醫學領域，尤其是放射學中，臨床數據與影像數據的整合非常重要。這篇綜述將介紹LLMs、影像生成AI和多模態AI，並探討生成式AI在放射學的現狀與未來潛力。 相關文章 PubMed DOI ♡

大型語言模型（LLMs）已經在科技界帶來重大變革，應用範圍超越自然語言處理，甚至進入放射學等專業領域。這些模型透過大規模數據預訓練，能執行多種任務，且通常不需再微調。隨著技術進步，LLMs 也在解決幻覺、偏見、高訓練成本等挑戰，並開始整合多模態輸入。對於小型本地開源 LLMs 的需求上升，因為它們能針對醫學知識進行微調，提升效率與隱私保護。本文將探討 LLMs 在放射學的現狀與未來發展。 相關文章 PubMed DOI ♡

這項研究介紹了cdsFM，一個大型語言模型，專注於同義密碼子在蛋白質編碼中的角色。與現有模型不同，cdsFM認為同義密碼子的選擇有其調控和功能意義。它包含EnCodon和DeCodon，經過超過5,000種物種的數據預訓練，能學習密碼子與氨基酸的關係。這些模型在多項任務中表現優於現有基因組模型，並能有效預測同義密碼子的選擇對蛋白質表達的影響。研究還發現了多個潛在的致病性密碼子，顯示cdsFM在理解蛋白質合成中的重要性。 相關文章 PubMed DOI ♡

基因組時代的來臨促進了高通量數據和先進計算方法的發展，幫助我們探索植物抗逆境的遺傳與功能。儘管有許多實驗和分析技術，但龐大的數據量仍帶來挑戰。深度學習模型在預測基因結構和功能方面表現優異，並在農業高通量表型學中越來越常見。這篇綜述強調了數據資源和生物信息學工具，以及機器學習和人工智慧在植物抗逆境研究中的應用，並展示如何利用大型語言模型（如ChatGPT）創建相關知識圖譜，促進跨領域合作。 相關文章 PubMed DOI ♡