近期NLP和深度學習硬體進步，像ChatGPT這樣的大型語言模型在語言理解和推理表現優異。研究者測試了ChatGPT在各種NLP任務上，結果令人印象深刻。一項研究評估了ChatGPT在生物醫學任務上的表現，取得58.50的BLURB分數，優於先進模型的84.30分。該研究顯示了ChatGPT在生物醫學文本理解、推理和生成上的效能和限制。更多資訊可至BLURB基準網站查詢。 PubMed DOI

大型語言模型如ChatGPT在生物醫學和健康領域有應用潛力，包括資訊檢索、問答、文摘、信息提取和教育。進展明顯，但仍有限。語言模型或許可加速醫療發現和改善健康，但需解決虛假資訊和隱私問題。調查旨在提供機會和挑戰概述，協助了解語言模型在生物醫學和健康領域的應用。 PubMed DOI

大型語言模型如ChatGPT在生物醫學和健康領域有潛力，可應用於信息檢索、問答和文本摘要。儘管在文本生成上進展明顯，其他領域仍有挑戰。LLM對改變生物醫學有潛力，但需處理虛假資訊和隱私風險。調查提供研究人員和醫療專業人員使用ChatGPT等模型轉變生物醫學和健康領域的見解。 PubMed DOI

在使用電子病歷時，為了保護隱私，必須刪除受保護的健康資訊。研究發現，語言模型在識別代碼混合文本中的PHI方面有潛力，但需考慮規則性和未知詞彙的影響。建議在醫療環境中使用大型語言模型進行提示式學習，並重視數據安全性。未來研究可探討如何利用外部知識來提高PHI識別的準確性。 PubMed DOI

人工智慧（AI）正在快速改變生物醫學研究，加速解決問題並分析龐大數據。AI在藥物設計、毒理學和材料辨識上的應用，有潛力改革科學研究的設計、數據分析和溝通方式。像ChatGPT和Perplexity這樣的大型語言模型改變了科學家之間的互動和溝通方式。雖然AI帶來好處，但也有風險，例如保密性不足和潛在偏見。本評論討論了AI對生物醫學研究現況和未來影響，並強調了需要考慮的利弊。 PubMed DOI

這篇論文評估了大型語言模型（LLMs）在各種生物醫學任務上的表現，發現即使在較小的生物醫學數據集上沒有進行特定微調，LLMs 也能表現良好。雖然LLMs 在所有任務上可能不如專門的生物醫學模型表現優秀，但它們展現了在具有有限標註數據的生物醫學任務中作為有用工具的潛力。 PubMed DOI

生物醫學文獻增加快速，需要自動識別生物醫學概念關係。LitCoin NLP挑戰評估這個潛力，提供語料庫。我們的自然語言處理系統採用集成學習和基於規則的方法，在命名實體識別和關係提取任務表現優異，勝過200多支隊伍。微調110億參數模型提升性能，並與OpenAI ChatGPT等大型語言模型進行測試，顯示在生物醫學任務中具有優勢。結果凸顯特定模型對生物醫學研究的重要性。 PubMed DOI

LLMs如ChatGPT和Med-PaLM在醫學問答表現優秀，但在非英語環境面臨挑戰。KFE框架提升中文醫學表現，整合臨床知識。像ChatGPT和GPT-4在CNMLE-2022有顯著進步，超越人類並通過考試。研究指出結合醫學知識與LLMs的情境學習有效，可橋接全球醫療語言障礙，減少不平等。 PubMed DOI

在生態學和進化生物學中，從文獻中整合和建模數據對於產生見解至關重要，但手動篩選數百篇文章非常耗時。隨著文獻量增加，電腦方法能提升研究效率和透明度。最近的機器學習和語言模型進展改變了文本挖掘技術，這篇綜述將方法分為三類：基於頻率、傳統自然語言處理和深度學習模型。文中探討了建模策略、生成訓練數據及挑戰，並提出解決方案以增強這些方法在生態和進化研究中的應用。 PubMed DOI

在醫學研究和醫療保健快速變化的環境中，龐大的科學文獻既帶來機會，也帶來挑戰。研究人員和醫生需在大量非結構化數據中尋找能推動生物醫學進展的見解。本文探討主題提取演算法在乳腺癌研究中的應用，揭示當前趨勢與未來方向。我們使用TripleA工具，透過TextRank和大型語言模型（LLM）提取相關主題，並對兩種方法的結果進行深入分析與比較。 PubMed DOI