糖尿病常導致視網膜病變，若不早治可能導致失明。日本利用人工智慧技術改善篩檢，取得令人振奮成果。整合人工智慧、生成式AI和大型語言模型可革新篩檢流程，提高可及性和效果。但在全面實施前，需克服技術和治理挑戰。眼科醫師和利益相關者關鍵引領，確保篩檢品質。 PubMed DOI

生成式人工智慧，特別是生成對抗網路（GANs），對眼科和影像分析領域有重大影響。眼科文獻指出，GANs在眼部影像增強、疾病辨識和生成合成數據方面有應用。雖然GANs展現眼科影像應用潛力，但也面臨結果不準確等挑戰。論文提及ChatGPT在眼科領域的潛力，並探討未來在眼科應用生成式人工智慧的方向和考量。 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

將生成式人工智慧（如大型語言模型）整合進眼科教育和實踐，能提升診斷準確性和病人照護。這些技術可用於教育病人和醫生，並提供臨床決策支持，增強學習體驗。然而，挑戰包括生成不正確資訊的風險、系統偏見及過時數據問題。當前教育計畫已開始納入人工智慧，未來需建立評估指標、結合人類監督及利用影像數據。倫理考量如數據隱私和透明度也必須重視，以確保人工智慧的負責任應用。 PubMed DOI

最近，人工智慧（AI）在青光眼管理上有很大潛力，能提升篩檢效果和診斷準確性，但整合過程中面臨挑戰，如數據標註繁瑣、診斷標準不一致及測試不足，這些都可能影響演算法的適用性。此外，AI的「黑箱」特性也讓醫療人員感到疑慮。未來可透過聯邦學習增強數據隱私，並利用多樣化數據改善演算法，還有智慧型手機的應用潛力。解決這些挑戰將有助於提升青光眼護理的品質。 PubMed DOI

這項研究評估了具視覺功能的GPT-4V在眼科診斷玻璃體視網膜疾病的表現。研究在巴斯科姆·帕爾默眼科診所進行，分析了2010年至2023年的病人數據。結果顯示，GPT-4V在開放式問題中的診斷準確率為13.7%，而多選題為31.3%。該模型能準確識別後玻璃體脫離等病症，但在開放式問題的有效性有限，顯示出提供複雜醫療建議的挑戰。總體而言，GPT-4V在臨床護理中仍有潛力。 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

人工智慧（AI）與深度學習（DL）結合光學相干斷層掃描（OCT），在青光眼的診斷和管理上取得了顯著進展。研究指出，卷積神經網絡（CNNs）在視網膜層分割和青光眼損傷識別上特別有效，而遞迴神經網絡（RNNs）則擅長追蹤疾病進展。生成對抗網絡（GANs）能提升影像質量，自編碼器則有助於特徵提取。儘管如此，數據可用性和偏見等挑戰仍需克服，以便在臨床上成功應用這些技術，進而實現更精確的青光眼治療。 PubMed DOI

人工智慧（AI）在醫療保健中越來越重要，主要分為生成式AI和非生成式AI。生成式AI透過分析數據創造新資訊，能生成合成醫學影像和改善手術模擬；而非生成式AI則專注於分析現有數據，幫助預測手術結果和評估病人風險。雖然生成式AI提供創新工具，但非生成式AI在提升病人護理上更具優勢。兩者都能提高臨床效率，但仍面臨偏見、解釋困難及倫理監管等挑戰，醫療人員需了解其能力與限制。 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