患者常常難以辨識自己的症狀，這可能會延誤就醫。研究發現，35-75%的患者會在就診前尋求線上資訊，因此像ChatGPT-3.5這類的人工智慧工具變得相當重要。本研究評估了GPT-3.5在急性泌尿科疾病分診的有效性，針對六種疾病創建了472個查詢，並由九位泌尿科醫生評估。結果顯示，GPT-3.5在診斷和行動方案方面表現良好，但在資訊質量上仍有改進空間，特別是在來源和風險評估方面。總體而言，GPT-3.5顯示出作為分診工具的潛力，但需提升透明度和資訊質量。 相關文章 PubMed DOI ♡

Cell2Sentence (C2S) 是一種新方法，旨在將大型語言模型應用於單細胞轉錄組學。它透過將基因表達數據轉換為「細胞句子」，在自然語言處理與生物數據之間架起橋樑。C2S 允許對語言模型進行微調，以執行多種生物學任務，如生成和註解細胞類型。實驗顯示，微調後的 GPT-2 能生成生物學上有效的細胞類型，顯示出語言模型對單細胞生物學的深入理解。C2S 提供了一個多功能且友好的框架，結合自然語言處理與轉錄組學，適用於各種生物學應用。 相關文章 PubMed DOI ♡

這項研究探討了ChatGPT生成的整形外科住院醫師個人陳述是否能與人類撰寫的內容相媲美。研究結果顯示，AI生成的陳述平均得分為7.48，而人類撰寫的為7.68，兩者之間並無顯著差異。評估者對於陳述來源的識別準確率為65.9%，顯示AI生成的內容越來越精緻。這強調了在住院醫師申請中，需更新評估標準以應對人工智慧的影響。 相關文章 PubMed DOI ♡

針對視網膜和玻璃體疾病的多選題評估中，Bing的正確回答率最高，達76.1%，而ChatGPT和Bard則各為60.9%。不過，三者在答案準確性上並無顯著差異（P = 0.206）。這顯示雖然AI聊天機器人能提供相關醫療資訊，但使用者仍需謹慎，因為這些資訊不一定總是正確的。 相關文章 PubMed DOI ♡

這篇評論探討了人工智慧（AI）在科學醫學手稿撰寫中的影響，包括應用、優勢、挑戰和倫理問題。分析了像ChatGPT和Google Bard等AI工具的演變，指出AI雖能提升生產力，但也帶來過度依賴、寫作風格一致性及原創性等擔憂。因此，一些組織限制AI在同行評審中的使用。評論主張應平衡整合AI，強調人類監督和學術誠信的重要性，並建議AI開發者、研究人員和期刊編輯合作，以應對倫理挑戰，發揮AI的潛力。 相關文章 PubMed DOI ♡

人工智慧（AI）在醫療領域的應用對醫學實踐影響深遠，尤其在教育、診斷和治療方面。本研究評估了OpenAI的ChatGPT在卡塔爾急診醫學住院醫師考試中的表現，並與住院醫師的成績進行比較。結果顯示，ChatGPT在所有考試類別中均表現優於住院醫師，但高年級住院醫師的及格率卻下降，顯示考試成績與實際技能之間的脫節，可能與COVID-19疫情對教育的影響有關。總體而言，ChatGPT在急診醫學領域展現出強大的理論知識，顯示其作為醫學教育輔助工具的潛力。 相關文章 PubMed DOI ♡

您的研究深入探討了Mayer-Salovey-Caruso模型如何評估GPT-4的情感智力。結果顯示，GPT-4在理解和運用情感方面表現優異，但在情感管理和利用情感促進思考上則較為不足。雖然它能有效識別和管理情感，但在深層情感分析和動機理解上仍有局限。將其與兒童探索心理狀態的模式相比較，為理解人工智慧的情感能力提供了新視角。整體而言，您的研究突顯了先進人工智慧在情感智力上的優缺點。 相關文章 PubMed DOI ♡

優化科學知識的產出對研究資助者、機構、社群和研究人員非常重要。透過結構化檔案，我們能學習知識生成中的有效與無效實踐。最近，我們利用人工智慧和大型語言模型，開發了國家人體基因組研究所的歷史檔案數位表示，涵蓋人類基因組計畫及相關項目，如癌症基因組圖譜和DNA元素百科全書。這個知識庫將增進對基因組研究的理解，並評估AI處理檔案的倫理影響。我們的研究將指導未來調查，並建立透明度與倫理AI使用的標準。 相關文章 PubMed DOI ♡

本研究探討ChatGPT-4o在為放射學學生制定符合澳洲醫療輻射實踐委員會（MRPBA）要求的持續專業發展（CPD）計畫的有效性。研究結果顯示，雖然生成的CPD計畫普遍符合監管標準，但評估者之間的評分一致性較高，顯示出一定的變異性，特別是在及時性和完整性方面。結論指出，ChatGPT-4o能減輕CPD計畫的認知負擔，但仍需人類監督以確保計畫的相關性。未來研究應著重提升AI的個性化能力，發掘其在專業教育中的潛力與限制。 相關文章 PubMed DOI ♡

這項研究探討結合檢索增強生成（RAG）模型與大型語言模型（LLM），以提升國際詞彙中藥物名稱對應的準確性。研究過程中，將藥物成分名稱翻譯成英文，並使用日本藥品名稱，從OHDSI標準詞彙中提取藥物概念。結果顯示，LLM + RAG的組合表現顯著優於傳統方法，命中率超過90%，而基準僅64%。此外，r-precision指標也從23%提升至41%至50%。整體而言，RAG與LLM的整合提供了更有效的全球藥物資訊對應方法。 相關文章 PubMed DOI ♡