多模態大型語言模型（MLLMs）正在改變醫療保健，特別是在自動化放射學報告生成（RRG）方面。雖然RRG在2D影像上已經取得成效，但3D醫學影像的應用仍待開發。為此，我們建立了3D-BrainCT數據集，包含18,885對文本與掃描影像，並開發了專為3D CT RRG設計的BrainGPT模型。我們提出了特徵導向放射學任務評估（FORTE）來評估報告質量，結果顯示BrainGPT的FORTE F1分數為0.71，74%的報告與人類撰寫的無法區分。這項研究為未來醫療應用中的人機協作提供了堅實的基礎。 相關文章 PubMed DOI 推理 ♡

這篇評論強調大型語言模型（LLMs）在合成生物學（SynBio）教育與研究中的重要性，特別是在生物製造領域。文章比較了美國和中國的LLMs在解決SynBio問題上的表現，並探討了它們如何從非結構化數據中提取資訊、建立知識圖譜，及促進檢索增強生成。預期LLMs將提升代謝建模和工程中的設計-建造-測試-學習（DBTL）循環，並推動自動化實驗室的發展。最後，呼籲建立LLMs的基準、發展生物安全措施，並促進相關領域專家的合作。 相關文章 PubMed DOI 推理 ♡

這項研究評估了生成式人工智慧工具在脊椎治療查詢中的可靠性，並將其回應與北美脊椎學會的指導方針進行比較。結果顯示，兩個工具的平均一致性得分為3.5分（滿分5分），顯示出可接受的準確性。不過，這些工具生成的254個參考文獻中，有24%是虛構的，這引發了臨床應用的擔憂。研究強調，雖然這些工具能提供有用資訊，但在臨床使用時需謹慎，以避免錯誤資訊的風險。 相關文章 PubMed DOI 推理 ♡

抗微生物肽（AMPs）因其強大的抗微生物能力，正成為對抗抗生素抗藥性的新解決方案。傳統的AMP識別方法耗時且需大量人力，但隨著深度學習的進步，特別是蛋白質語言模型（PLMs），我們開發了PLAPD框架，利用預訓練的ESM2模型進行AMP分類。經過評估，PLAPD在準確率、精確率、特異性等指標上表現優異，顯示其作為高效AMP發現工具的潛力。 相關文章 PubMed DOI 推理 ♡

提出的「情節記憶-雙重演員-評論家（EMDAC）」框架，透過情節記憶來選擇行動，有效解決深度強化學習在連續行動任務中的低樣本效率問題。EMDAC的特點包括利用情節記憶評估狀態-行動對、使用卡爾曼濾波器優化器更新記憶、狀態-行動對聚類以提升價值估計，以及引入內在獎勵機制鼓勵探索。整合進TD3算法後，EMDAC-TD3在MuJoCo環境中顯著提升樣本效率和表現，平均性能提升11.01%，超越標準TD3，表現優異。 相關文章 PubMed DOI 推理 ♡

這項研究調查了美國近十年來，隨著泡菜球運動的快速增長，脊椎受傷的發生率上升。研究回顧了2013至2023年的醫療紀錄，發現135例脊椎受傷，這些受傷來自1,527例與泡菜球相關的骨科受傷。大多數受傷者為62歲的女性，主要集中在腰椎，常見症狀為腰部放射痛。近一半患者的BMI超過25，顯示出與脊椎疾病的關聯。研究強調隨著泡菜球的流行，年長且BMI較高的玩家面臨更高的脊椎受傷風險，需進一步探討風險因素及改善治療策略。 相關文章 PubMed DOI 推理 ♡

作為人工智慧安全專家，我常在創新與謹慎之間掙扎，特別是大型語言模型（LLMs）。這些模型雖然能力驚人，但也引發了社會、倫理和安全的擔憂。 主要問題包括生成錯誤資訊的風險，可能被用來製造假新聞或操控輿論；模型中的偏見可能導致不公平對待某些群體；隱私問題則涉及敏感資訊的洩露；過度依賴LLMs可能使使用者做出不良決策。 為了應對這些挑戰，需實施強有力的安全措施，並促進開發者、政策制定者和倫理學家的合作，以確保LLMs能以有益和倫理的方式服務人類。 相關文章 PubMed DOI 推理 ♡

這篇文章探討大型語言模型（LLMs），特別是生成預訓練變壓器（GPTs）在醫學和放射學的影響。重點在於優化技術，如提示工程和微調，以提升模型的準確性，讓像GPT-4這樣的模型能適應特定任務。儘管這些模型潛力無窮，文章也指出實施過程中的挑戰，包括複雜性、幻覺、偏見和安全風險等問題。作者希望為放射科醫師提供LLMs的基礎知識和最佳實踐，並探討這些技術在放射學中的應用及其限制。 相關文章 PubMed DOI 推理 ♡

基礎模型已成為人工智慧應用，特別是自然語言處理中不可或缺的部分。圖形機器學習也正朝向更先進的深度學習技術發展。基礎模型的成功促使研究者探索圖形基礎模型（GFMs），這些模型預期能在大型圖形數據集上進行預訓練，並適應不同任務。不過，這個新興領域目前缺乏明確定義和系統分析。本文介紹GFMs的關鍵特徵，並根據其對圖形神經網絡和大型語言模型的依賴程度，將研究分為三類，並回顧GFMs的現狀及未來研究方向。 相關文章 PubMed DOI 推理 ♡

這篇文件探討擴增實境（XR）的快速發展，並強調大型語言模型（LLMs）整合進XR系統的潛力。它提出三個主要支柱：感知與情境意識、知識建模與推理，以及視覺化與互動。這種整合在神經康復、安全訓練和建築設計等領域具有顯著好處，同時也需考量隱私、透明度和包容性等倫理問題。文件鼓勵進一步研究，目的是創造更智能且以使用者為中心的XR系統。 相關文章 PubMed DOI 推理 ♡