ChatGPT和AlphaFold等模型備受矚目，人們期待將這些技術運用在電子病歷，提升病患照護和醫院運作。然而，這些模型的真正效用尚待考驗。研究指出，許多模型僅在有限臨床數據或廣泛醫學文獻上訓練，尚未在實際醫療任務中驗證。為此，需要建立新的評估標準，以更準確評估臨床模型在醫療環境中的實際價值。 PubMed DOI

大型語言模型（LLMs）是強大的人工智慧模型，應用在自然語言處理等任務上表現優異。透過深度學習技術，利用龐大數據訓練神經網絡的參數。LLMs在生物資訊領域展現潛力，可能超越語言建模能力。本文討論了知名的LLMs如BERT和GPT在生物資訊中的應用，包括基因組學、轉錄組學、蛋白質組學、藥物發現和單細胞分析，並強調了LLMs在應對生物資訊挑戰上的潛力。 PubMed DOI

FM是一種大型AI模型，能處理各種任務，代表了人工智慧領域的重大進步。它們包括語言模型、視覺語言模型和多模型。儘管通常是為了一般任務而訓練的，但已成功應用在不同領域，包括皮膚科學。了解FM技術在皮膚科學中的應用、挑戰和未來發展對臨床醫生和皮膚科醫生至關重要。 PubMed DOI

基礎模型是新一代人工智慧，適用於各種任務，不同於傳統模型只針對特定目標。在眼科領域，這些模型有潛力改革臨床實踐，成為其他醫學專業的典範。這篇評論提供眼科專業人員了解並應用基礎模型於他們研究和實踐的指引。內容包括基礎模型在眼科領域的關鍵概念、技術進展、訓練方法和現有文獻。評論也探討隱私、偏見和臨床驗證等挑戰，並提出最大化技術優勢的方法。 PubMed DOI

在分子生物學中，探索分子間的關聯性至關重要，而大型語言模型（LLMs）的出現大幅推進了這一領域。這些模型在自然語言處理和圖像生成上表現優異，能夠從龐大數據集中捕捉複雜關係，成為基礎模型。 目前的數據集涵蓋RNA、DNA、蛋白質序列及單細胞和空間轉錄組，為模型開發提供了豐富基礎。未來，基礎模型的發展將專注於提升可解釋性、整合多組學數據及增強預測能力，對於改進我們對生物系統的理解及治療策略具有巨大潛力。 PubMed DOI

這篇論文探討大型基礎模型在醫學影像，特別是癌症分割的應用，如Segment Anything Model (SAM)。這些模型在自然語言處理和計算機視覺上取得進展，能提升癌症診斷的準確性和效率，並可整合進臨床工作流程中。 **潛在好處：** 1. 提高檢測準確性。 2. 自動化分割節省醫生時間。 3. 可適應多樣化數據集。 4. 提供即時協助。 **挑戰：** 1. 數據質量和可用性不足。 2. 模型泛化能力有限。 3. 可解釋性不足影響信任。 4. 監管和倫理問題需關注。 總之，雖然大型模型在癌症診斷上有潛力，但實施時需考量挑戰。 PubMed DOI

大型語言模型（LLMs）正在改變科學界，尤其是生物醫學領域。生物學的重點在於理解生物序列，這與自然語言處理的目標相似。基因組語言模型（gLMs）專門針對DNA序列訓練，能幫助我們更好地理解基因組及DNA元素的互動，進而揭示複雜的生物功能。這篇評論強調了gLMs在適應性預測、序列設計和轉移學習等方面的潛力，但在創建有效的gLMs時仍面臨挑戰，特別是對於大型且複雜的基因組物種。還討論了gLMs開發和評估時需考慮的重要因素。 PubMed DOI

去年推出的RETFound是眼科領域首個基礎模型，為通用醫療人工智慧（GMAI）奠定基礎。與此同時，像GPT-4和Gemini等大型語言模型也經過調整，並在臨床中測試，結果相當不錯。RETFound在小型數據集上表現優於傳統深度學習模型，而Med-Gemini和Medprompt GPT-4在眼科任務中也超越了標準模型。不過，眼科領域缺乏專門的多模態模型，主要因為訓練需求高和數據集稀缺。儘管基礎模型潛力大，但仍需高品質的數據集來進行有效訓練。 PubMed DOI

這項研究介紹了cdsFM，一個大型語言模型，專注於同義密碼子在蛋白質編碼中的角色。與現有模型不同，cdsFM認為同義密碼子的選擇有其調控和功能意義。它包含EnCodon和DeCodon，經過超過5,000種物種的數據預訓練，能學習密碼子與氨基酸的關係。這些模型在多項任務中表現優於現有基因組模型，並能有效預測同義密碼子的選擇對蛋白質表達的影響。研究還發現了多個潛在的致病性密碼子，顯示cdsFM在理解蛋白質合成中的重要性。 PubMed DOI

最近，自然語言處理（NLP）領域因大型語言模型（LLMs）的出現而有了重大進展。這些模型基於深度學習架構，如變壓器（transformers），擁有數十億的參數和龐大的訓練數據，能在各種任務中達到高準確度。LLMs不僅在傳統NLP應用上表現出色，還在生物信息學中解決了複雜數據集的挑戰，協助基因組學和藥物發現等領域的研究，為生命科學的新發現鋪路。 PubMed DOI