研究使用OpenAI的GPT-4開發AI助手，解釋藥物基因測試結果，提升臨床遺傳學決策，改善患者護理。AI助手採用RAG技術，結合CPIC數據庫，針對用戶提供個人化回答。相較ChatGPT 3.5，表現更佳，尤其在專業查詢方面。需改進回答準確性、相關性和語言表達。整合GPT-4與RAG提升效能，利用CPIC數據。挑戰在提高準確性、解決道德問題，發展專業基因/藥物模型。研究凸顯生成式AI在醫療支援和患者獲取複雜基因組學資訊的潛力。謹慎應用大型語言模型如GPT-4，可顯著提升對基因組學數據的理解，增進醫療服務。 PubMed DOI

隨著人工智慧工具的普及，患者和醫療專業人員越來越依賴這些工具提供的醫療資訊。本研究評估了五個大型語言模型（LLaMA 1、PaLM 2、Claude-v1、GPT-3.5和GPT-4）在2044個腫瘤學相關問題上的表現。結果顯示，GPT-4在與人類基準比較中表現最佳，達到第50百分位以上。雖然GPT-4的準確率高達81.1%，但所有模型仍存在顯著錯誤率，顯示出持續評估這些AI工具的重要性，以確保其安全應用於臨床實踐。 PubMed DOI

這項研究系統性回顧了生成性大型語言模型（LLMs）在臨床環境，特別是電子健康紀錄（EHRs）的應用。儘管自然語言處理技術進步，LLMs在臨床實踐中的整合仍有限，面臨多重挑戰。研究分析了自2023年以來的76篇相關文獻，發現包括提示工程的使用、少數多模態數據的應用、評估指標的多樣性，以及臨床決策中的偏見和幻覺等問題。未來需改進計算技術和標準化評估，以提升LLMs在醫療中的可靠性。總之，LLMs在病人護理上有潛力，但仍需克服重大障礙。 PubMed DOI

這項研究探討大型語言模型（LLMs）在理解醫學研究論文的能力，特別是使用STROBE檢查表進行評估。研究比較了六個LLMs的表現，包括GPT-3.5-Turbo和GPT-4系列，與專業醫學教授的評估。分析了50篇來自PubMed的論文，結果顯示GPT-3.5-Turbo的準確率最高（66.9%），而Gemini Pro和GPT-4-0613的得分最低。研究強調LLMs在醫學文獻理解上的潛力，但也指出需進一步研究以克服現有限制。 PubMed DOI

精準腫瘤學在非小細胞肺癌（NSCLC）中依賴生物標記檢測，但面臨基因組訓練不足和報告不一致等挑戰。研究評估了不同版本的ChatGPT在生成下一代測序報告及治療建議的能力，並引入生成式AI表現分數（G-PS）來衡量準確性和幻覺的出現。結果顯示，GPT-4的表現優於GPT-3.5，準確性更高且幻覺較少。這項研究顯示生成式AI在精準腫瘤學中的潛力，未來應重視其準確性和幻覺問題。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

這項研究探討生成大型語言模型（LLMs），特別是GPT，在癌細胞系藥物敏感性預測（DSP）中的應用。研究調整了提示工程技術，提升GPT在藥物基因組學數據上的表現，並與現有基準比較。 主要發現包括： 1. 開發三種提示模板，提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數，表現最佳。 3. GPT在GDSC數據集上F1分數提高16%，展現強大泛化能力。 4. 提供藥物與通路關聯的見解，與先前發現一致。 總體而言，研究顯示GPT可作為精準腫瘤學的有效工具，改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI

這項研究顯示生成式人工智慧在自動化將非結構化病理報告轉為結構化格式方面的有效性，特別針對台北醫學大學醫院的乳腺癌報告。研究人員使用ChatGPT大型語言模型，透過Streamlit網頁應用程式達到99.61%的準確率，並顯著縮短處理時間，優於傳統方法。雖然目前僅限於單一機構及乳腺癌報告，但未來計畫將擴展至其他癌症類型並進行外部驗證，以確保系統的穩健性。總體而言，這顯示人工智慧能有效提升病理報告處理效率，促進生物醫學研究的進步。 PubMed DOI

人工智慧（AI）特別是像ChatGPT這樣的生成大型語言模型（LLMs），對遺傳諮詢等職業影響深遠。在實務中整合LLMs前，了解其優勢、偏見、風險及應用非常重要。雖然LLMs能提升信息處理和溝通效率，但在與客戶互動時，仍需注意倫理、法規和隱私問題。它們無法取代人類諮詢師的個性化服務和專業知識。LLMs的潛力巨大，但必須持續關注諮詢過程及心理治療的目標，以確保提供高品質的客戶支持。 PubMed DOI

本研究探討生成式人工智慧（AI）在罕見疾病資訊上的準確性與安全性。研究評估了四個AI模型的回答，結果顯示大部分模型提供的資訊相對可靠，但仍有不準確的情況，可能讓患者及其家庭感到困惑。特別是Perplexity模型的表現較差，低分比例較高。研究強調了解AI的局限性並提供專家指導的重要性，以確保患者能有效利用這些工具。 PubMed DOI