基因組時代的來臨促進了高通量數據和先進計算方法的發展，幫助我們探索植物抗逆境的遺傳與功能。儘管有許多實驗和分析技術，但龐大的數據量仍帶來挑戰。深度學習模型在預測基因結構和功能方面表現優異，並在農業高通量表型學中越來越常見。這篇綜述強調了數據資源和生物信息學工具，以及機器學習和人工智慧在植物抗逆境研究中的應用，並展示如何利用大型語言模型（如ChatGPT）創建相關知識圖譜，促進跨領域合作。 PubMed DOI

近年來，利用人工智慧（AI）進行嬰兒疾病檢測和預測的研究逐漸增多。研究回顧了2018至2022年間的154篇相關文章，顯示研究活動明顯上升，涵蓋十二種ICD-11疾病類別，特別是產前疾病。AI模型主要使用臨床、人口統計和實驗室數據進行訓練，深度神經網絡成為主流方法。研究結果顯示，AI在嬰兒診斷中具潛力，未來大型語言模型的發展預期將進一步推動這一領域的進步。 PubMed DOI

深度學習已成為植物生物學的重要工具，特別是在處理大型數據和揭示複雜關係方面。這篇綜述提到幾個關鍵應用： 1. **基因組序列分析**：用於預測基因表達和表觀遺傳特徵。 2. **基序挖掘與功能組件設計**：探討生成對抗網絡等技術的進展。 3. **蛋白質結構與功能預測**：展示深度學習在這些領域的影響。 4. **未來展望**：強調多組學數據整合和智能育種策略的潛力。 總之，深度學習在植物生物學的應用正快速發展，對理解植物系統有重要意義。 PubMed DOI

這篇評論強調綠色基礎設施（GI）在可持續城市發展中的關鍵角色，並探討目前繪製與分析GI特徵的方法。文章著重於感測器和影像數據的應用，以及機器學習和深度學習在分類與分割任務中的運用。透過PRISMA系統性回顧，分析了55篇相關文獻，顯示深度學習的趨勢，其中33篇使用深度學習，22篇則採用傳統機器學習技術。此外，評論還介紹了一種新穎的自動驗證方法，顯示其潛在有效性並指出改進空間。 PubMed DOI

這篇綜述探討卷積神經網絡（CNNs）在智慧農業的應用，涵蓋雜草與疾病檢測、作物分類、水資源管理及產量預測等領域。透過分析115項研究，文章強調科技如何提升農業效率，並介紹影像分類、分割、回歸和物件檢測等方法，利用RGB、多光譜、雷達和熱成像數據。CNNs應用於無人機和衛星數據，實現即時作物監測，助力農場管理。未來建議整合物聯網和雲端平台，改善數據可及性，以應對氣候變化和糧食安全挑戰。 PubMed DOI

這篇論文探討在東歐推行自動灌溉系統和AI驅動的氣候監測，以應對氣候變遷並確保糧食安全。透過物聯網技術，系統持續收集溫度、濕度和土壤濕度的數據，並利用AI分析，提供最佳灌溉建議。這樣可以減少水和能源消耗，增強植物健康，提高農業生產力。數據無線傳輸至中央數據庫，便於進行國家級氣候評估。AI在農業監測中的應用，為可持續農業和應對氣候挑戰邁出了重要一步，並可作為其他脆弱地區的參考模型。 PubMed DOI

番茄（<i>Solanum lycopersicum</i> L.）的栽培對全球營養和經濟有重要意義，但面臨如<i>Tuta absoluta</i>等害蟲威脅，影響產量並提高生產成本。傳統檢測方法勞動密集且易出錯，因此需要先進技術。本研究利用人工智慧，整合YOLOv8進行害蟲檢測與分割，並使用ChatGPT-4提供建議。結果顯示，該模型在檢測精確度上達98.91%，顯著優於傳統方法，並能為未受訓練的生產者提供即時諮詢，推動更環保的農業實踐。未來應專注於特定數據訓練以提升準確性。 PubMed DOI

視網膜影像提供了一種非侵入性的方法，能夠觀察眼睛中的血管和神經纖維，並透過眼科組學深入了解全身健康。近期研究探討視網膜生物標記與多種全身性疾病的關聯，並結合人工智慧（AI）提升疾病檢測的潛力。數位彩色眼底攝影、光學相干斷層掃描（OCT）等技術被應用於篩檢和早期檢測。儘管AI展現潛力，但在數據質量和技術實施上仍面臨挑戰。這篇綜述旨在成為研究人員和臨床醫生的資源，促進AI在臨床的應用。 PubMed DOI

這篇文章探討人工智慧在乳牛養殖的應用，特別是電腦視覺系統（CVS）和大型語言模型（LLMs）。CVS能非侵入性地同時監控多隻牛，並透過演算法識別個體特徵。LLMs則能整合各種數據，包括非結構化文本，提升數據分析能力。文章也提到在多模態機器學習中，結合不同數據來源進行表型預測的挑戰。總的來說，CVS和LLMs的結合有潛力改善乳牛的健康監測和農場管理。 PubMed DOI

近年來，AI技術像是機器學習和智慧感測器，已廣泛應用在稻米、小麥機能性食品的研發，提升栽培、加工和品質檢測效率。結合光譜分析後，分析更快又不破壞樣品，有助解決產量低或過度加工等問題。不過，目前還有應用受限、資料不足和成本高等挑戰。未來隨AI進步，預期會成為研發關鍵推手。 PubMed DOI