LLM 相關三個月內文章 / 第 73 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這篇文章探討生成式人工智慧如何改善科學溝通及公眾對科學的理解。研究發現,AI生成的通俗摘要比傳統科學摘要更簡單,且能提升公眾對科學家的正面看法,雖然他們看起來不那麼聰明。參與者在閱讀簡單的AI摘要後,對科學寫作的理解也更佳,能更有效地總結論文內容。總之,AI透過簡化語言,能增強科學溝通,促進科學知識的普及。 相關文章 PubMed DOI

這項研究介紹了一個全面的孟加拉語數據集,來自九個新聞網站,收錄超過190萬篇文章,涵蓋體育、經濟、政治等多個類別。數據集包含標題、內容、發佈時間等屬性,旨在幫助數據科學家探索孟加拉語自然語言處理的理論,並有助於開發針對當地情境的大型語言模型,以及創建主題分類的深度學習和機器學習模型。 相關文章 PubMed DOI

這項研究調查了228位中國腫瘤醫生對人工智慧(AI)的看法。結果顯示,醫生們對AI的理解程度中等,年輕醫生的知識較高。只有12.8%的人使用過ChatGPT,但74.13%認為AI對醫療有益,52.19%對AI技術有信任感。整體接受度偏向謹慎樂觀,年輕醫生的信任度明顯高於年長者。研究指出,雖然醫生對AI持開放態度,但仍需針對年長專業人士進行教育,以促進AI在腫瘤學的應用。 相關文章 PubMed DOI

這項研究評估了三個大型語言模型(LLMs)—ChatGPT-3.5、ChatGPT-4 和 Google Gemini,針對糖皮質激素誘導的骨質疏鬆症(GIOP)及其預防和治療的美國風濕病學會指導方針的表現。研究發現,Google Gemini 的答案較為簡潔,但 ChatGPT-4 在準確性和全面性上表現更佳,特別是在病因學和指導方針相關問題上。ChatGPT-3.5 和 ChatGPT-4 的自我修正能力顯著提升,而 Google Gemini 則無明顯差異。總體來看,ChatGPT-4 是最佳選擇。 相關文章 PubMed DOI

這項研究旨在提升隨機對照試驗(RCT)出版物的報告品質,透過開發文本分類模型來檢視對CONSORT檢查表的遵循情況。研究使用了標註37個CONSORT項目的語料庫,訓練了多種模型,包括微調的PubMedBERT和BioGPT。主要發現顯示,微調的PubMedBERT模型在句子層級的微F1分數達0.71,文章層級為0.90。數據增強的影響有限,且針對方法的模型表現較佳。整體而言,這些模型能有效支持期刊編輯,改善RCT出版物的遵循情況。 相關文章 PubMed DOI

2022年11月推出的ChatGPT引起了對大型語言模型在臨床環境中應用的關注。最近一項針對英國全科醫生的調查顯示,20%的醫生已在臨床實踐中使用生成式人工智慧工具。使用者中,29%用於生成就診後文檔,28%用於建議鑑別診斷。儘管醫生認為這些工具在行政和臨床推理上有價值,但缺乏明確的指導和政策,醫療界面臨著教育專業人員和患者的挑戰。 相關文章 PubMed DOI

這項研究評估了GPT-4撰寫放射學社論的能力,並與人類撰寫的社論進行比較。分析了來自八本期刊的十六篇社論,結果顯示AI撰寫的社論在評分上表現較好,但人類撰寫的文章在整體感知上仍較受青睞。編輯們在配對評估中,有82%更傾向於出版人類撰寫的文章。研究結論指出,雖然GPT-4能產出高品質文章,但編輯對人類內容的偏好依然明顯。 相關文章 PubMed DOI

針對G蛋白偶聯受體(GPCRs)開發新療法對藥物發現非常重要,因為這些受體在生理過程中扮演關鍵角色。雖然已有許多針對GPCRs的藥物,但仍缺乏選擇性調節劑,這顯示出新療法的潛力。我們推出了GPCRSPACE,這是一個專為GPCR設計的可購買化學庫,利用G蛋白偶聯受體大型語言模型(GPCR LLM)創建。這種創新方法減少了假陰性,簡化了負樣本標記,並提升了GPCR互動分子的識別與篩選,成為GPCR藥物發現的重要資產。 相關文章 PubMed DOI

這項研究探討如何透過提示工程提升ChatGPT-4在放射學問題上的表現,特別針對2022年美國放射學會的測試題。雖然ChatGPT-4在文字任務上表現優異,但在影像問題上則較弱。研究人員設計了四種角色,使用不同提示來評估其對準確性的影響。結果顯示,鼓勵性提示或責任免責聲明能提高準確性,而威脅法律行動的提示則降低準確性,且未回答問題的比例較高。這強調了提示背景在優化大型語言模型回應中的重要性,並呼籲在醫療環境中負責任地整合人工智慧的進一步研究。 相關文章 PubMed DOI

基於知識圖譜的檢索增強生成(KG-RAG)框架,成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜,KG-RAG優化了標記使用,提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%,同時保持準確性,顯著改善了對生物醫學提示的回應,並在基準數據集上提升表現,Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型,讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開,並提供生物醫學基準數據集供研究使用。 相關文章 PubMed DOI