本研究比較了ChatGPT4.0與3.5在手外科影像問題上的表現，發現兩者在正確率上無顯著差異（分別為30.1%和28.7%）。雖然ChatGPT4.0提供的解釋較長，但對答案的信心卻較低，尤其在放射影像問題上表現出更高的不確定性。未來研究應探討AI生成的回答如何影響臨床與教育環境中的行為，以促進AI在醫療中的應用。 相關文章 PubMed DOI 推理 ♡

ZHMolGraph是一種創新的方法，專門用來預測RNA與蛋白質之間的相互作用，成功解決了未知RNA和蛋白質的挑戰。它結合了圖神經網絡和無監督的大型語言模型，在基準數據集上表現優異，對完全未知的RNA-蛋白質對，AUROC達到79.8%，AUPRC為82.0%。這顯示出相較於現有方法的顯著進步，AUROC提升了7.1%-28.7%，AUPRC增加了4.6%-30.0%。此外，ZHMolGraph也能增強對SARS-CoV-2 RNA-蛋白質相互作用的預測，展現其在全基因組預測及複合體建模的潛力。 相關文章 PubMed DOI 推理 ♡

這項研究提出了一個名為strokeDTI的新框架，專門用來識別缺血性中風的藥物-靶標互動。透過轉錄組測序數據，研究找出與中風相關的關鍵活化途徑。雖然模型能預測藥物，但在現實測試中可能會出現矛盾的結果。研究發現文獻中的藥物-靶標對與結合分數有關聯，因此增強了模型的預測能力。最終，Cerdulatinib被識別為有前景的抗中風藥物，能有效減少腦損傷並改善神經功能，顯示出其在中風治療中的潛力。 相關文章 PubMed DOI 推理 ♡

這項研究評估了大型語言模型ChatGPT在系統性回顧和統合分析中的表現，特別是在脊髓刺激後情緒功能的數據上。結果顯示，ChatGPT在標題和摘要篩選的準確率為70.4%，而全文篩選的準確率為68.4%。在數據整合方面，ChatGPT的準確率達到100%。雖然在篩選任務中表現中等，但在數據整合上表現優異。研究指出，人工智慧能提升系統性回顧的效率，但仍需人類監督以確保研究質量。 相關文章 PubMed DOI 推理 ♡

生成式人工智慧（GAI）在醫療領域有顯著進展，但對於罕見疾病如原發性免疫疾病（PI）的輔助效果仍待探討。本研究評估了六種大型語言模型（LLMs）在提供PI臨床指導的表現。結果顯示，GPT-4o、Llama-3.1-70B-Instruct和Mistral-Large-Instruct-2407的診斷準確率超過88%，其中GPT-4o以96.2%領先。其他模型表現較差，準確率約60%或更低。雖然LLMs在PI診斷上顯示潛力，但仍需改進以提升臨床實用性。 相關文章 PubMed DOI 推理 ♡

這項研究評估了六個大型語言模型（LLMs）在識別家庭暴力、自殺及父母殺子自殺風險的能力，故事取材自台灣短篇小說《燒烤》，由六歲小女孩敘述。結果顯示，所有模型都能識別家庭暴力，但只有GPT-o1、Claude 3.5 Sonnet和Sonar Large能根據文化線索識別自殺風險。相對而言，其他模型未能正確理解母親的孤立與饒恕的文化意義，顯示LLMs在非西方文化背景下的理解不足，這對心理健康評估非常重要。 相關文章 PubMed DOI 推理 ♡

這項研究探討大型語言模型（LLMs）如何協助輔助科技（AT）從業人員為有障礙的個體選擇合適產品。研究利用Keplo這個AI平台，分析亞馬遜上的顧客評論，評估三款主流產品和三種輔助科技。分析提供了使用者人口統計、使用模式、優缺點及設計改進建議。結果顯示，LLMs能有效提取有價值的見解，幫助AT從業人員做出明智推薦，但也強調了LLM分析的局限性，從業人員需批判性評估顧客評論以確保相關性。 相關文章 PubMed DOI 推理 ♡

這項研究開發了一個專為中國護理執照考試設計的Custom GPT，評估其準確性和回應質量。研究採用定量和描述性方法，並利用專業知識及先進技術如Prompt Engineering和語意搜尋來提升Custom GPT。測試使用720道2024年執照考試模擬題，結果顯示Custom GPT的準確率超過90%，而ChatGPT-4則在73%到89%之間。Custom GPT在各類題型上表現優異，提供簡潔且自信的解釋，顯示其在護理教育中的潛力，並建議可擴展至其他護理領域。 相關文章 PubMed DOI 推理 ♡

這項研究探討如何利用人工智慧反饋的強化學習（RLAIF）來改善大型語言模型（LLMs）在胸部CT報告摘要中與放射科醫師的對齊。研究使用了94,844份胸部CT報告，並由放射科醫師和人工智慧模型進行審查。結果顯示，經過RLAIF微調後，LLMs的表現顯著提升，精確度、召回率和F1分數均有改善，且放射科醫師與AI的排名一致率達77.9%。這顯示人工智慧在臨床報告摘要中具有潛力，為未來放射學的發展奠定基礎。 相關文章 PubMed DOI 推理 ♡

將大型語言模型（LLMs）整合進抗生素處方的醫療決策中，逐漸受到重視，但面臨挑戰。首先，LLMs在臨床環境中的應用需更深入的醫療理解，因為它們的建議直接影響病患健康。其次，專業知識悖論顯示醫療人員可能過度依賴AI，影響臨床判斷。因此，AI應該輔助而非取代人類決策。最後，LLMs的錯誤風險需謹慎對待，必須建立健全的驗證流程，確保其作為輔助工具的角色。 相關文章 PubMed DOI 推理 ♡