Large Language Models in Neurology Research and Future Practice.
神經學研究中的大型語言模型及未來實踐。 Neurology 2024-01-21

近期在生成式人工智慧領域取得的進展，特別是大型語言模型(LLMs)，引起了人們對其在分析大量醫學數據，尤其是在神經學領域的潛力的關注。LLMs有助於早期診斷、支持患者和照護者，並協助臨床醫生。然而，必須克服倫理和技術上的挑戰，如隱私疑慮、數據偏見和結果驗證。研究人員需應對這些挑戰，確保LLMs安全且負責任的應用，這將有助於提升神經學疾病護理的前景。 PubMed DOI

A Comprehensive Evaluation of Large Language Models in Mining Gene Interactions and Pathway Knowledge.
大型語言模型在挖掘基因相互作用和途徑知識中的全面評估。 bioRxiv 2024-02-14

研究比較了21個大型語言模型（LLMs）在自動文本挖掘生物途徑的效能，專注於基因調控和KEGG途徑辨識。結果顯示，各模型表現不同，像是ChatGPT-4和Claude-Pro這類基於API的模型表現比開源模型好。LLMs在生物醫學研究中有潛力，可用於基因網絡分析和途徑對應，但因性能不同，選擇適合的模型至關重要。 PubMed DOI

Data science opportunities of large language models for neuroscience and biomedicine.
大型語言模型在神經科學和生物醫學領域的數據科學機會。 Neuron 2024-03-11

大型語言模型（LLMs）是一種新型機器學習工具，可以為神經科學研究提供寶貴的洞察。它們可以增強神經科學數據集，彌合不同研究社群之間的差距，整合與大腦相關的多元資訊來源，並幫助識別大腦現象中的關鍵認知概念。 PubMed DOI

Dissociating language and thought in large language models.
大型語言模型中語言和思維的分離。 Trends Cogn Sci 2024-03-20

大型語言模型（LLMs）在理解語言方面有進展，但在語言能力和認知方面看法不同。研究評估LLMs的形式語言能力和功能語言能力，人類神經科學顯示這兩種能力依賴不同神經機制。LLMs在形式能力表現優異，但在功能任務上表現不穩，可能需要額外調整或外部模組。為了達到人類般的語言使用，模型可能需掌握兩種能力，並提供專門機制。 PubMed DOI

A comprehensive evaluation of large language models in mining gene relations and pathway knowledge.
大型語言模型在挖掘基因關係和途徑知識中的綜合評估。 Quant Biol 2024-10-04

這項研究評估了21個大型語言模型（LLMs）在檢索生物知識的有效性，特別針對基因調控和KEGG途徑。隨著生物文獻的快速增長，傳統手動整理已不再足夠，LLMs成為一個有前景的替代方案。結果顯示，模型性能差異明顯，GPT-4和Claude-Pro在基因調控關係的F1分數分別為0.4448和0.4386，KEGG途徑的Jaccard指數也表現強勁。相比之下，開源模型表現較差。研究強調選擇合適模型的重要性，並提供了LLMs在生物研究中的應用見解，相關代碼已在GitHub上公開。 PubMed DOI

Large language models as a diagnostic support tool in neuropathology.
大型語言模型作為神經病理學的診斷支持工具。 J Pathol Clin Res 2024-11-06

這項研究探討大型語言模型（LLMs）在診斷神經腫瘤方面的潛力，特別是在不斷變化的WHO中樞神經系統腫瘤指導方針下。研究測試了ChatGPT-4o、Claude-3.5-sonnet和Llama3在30個神經病理案例中的表現。結果顯示，結合檢索增強生成（RAG）後，LLMs在識別腫瘤亞型上達到90%的準確率，顯示它們能成為神經病理學家在報告實踐中的有用工具，特別是在跟上最新分類變更方面。 PubMed DOI

Large language models in neurosurgery: a systematic review and meta-analysis.
神經外科中的大型語言模型：系統性回顧與統合分析。 Acta Neurochir (Wien) 2024-11-23

大型語言模型（LLMs）在神經外科領域逐漸受到重視，顯示出提升各種任務的潛力。然而，針對其在不同應用中的表現進行系統性檢視的研究仍然不足。本研究識別了關鍵的LLMs，並建立可重複性的報告指導方針，強調其在神經外科的進展。我們在PubMed和Google Scholar搜尋相關文獻，找到51篇符合標準的文章，主要應用於臨床文本生成、標準化考試問題回答及支持臨床決策。主要使用的LLMs包括GPT-3.5、GPT-4、Bard和Bing。研究顯示，雖然LLMs在複雜任務中表現優異，但大多數研究仍集中於基本應用，未充分解決性能提升或可重複性問題。推進此領域需標準化報告實踐及採用更複雜的驗證方法。 PubMed DOI

Large language models surpass human experts in predicting neuroscience results.
大型語言模型在預測神經科學結果方面超越人類專家。 Nat Hum Behav 2024-11-28

這份摘要強調大型語言模型（LLMs）在預測實驗結果方面的潛力，特別是在神經科學領域。研究介紹了BrainBench，一個評估LLMs預測能力的基準測試。結果顯示，LLMs在預測上可超越人類專家，而專門模型BrainGPT的準確性更高。當LLMs表現出高度信心時，預測也相對可靠，顯示它們在協助人類發現過程中的潛在角色。這種方法論不僅適用於神經科學，還可能對其他知識密集型領域產生廣泛影響。 PubMed DOI

Tackling the Complexity of Spatial Transcriptomics Data Interpretation with Large Language Models.
利用大型語言模型應對空間轉錄組數據解釋的複雜性。 bioRxiv 2024-12-16

空間轉錄組學是理解組織細胞組成的重要工具，尤其在癌症研究中，腫瘤微環境至關重要。然而，數據的複雜性使解釋變得困難。本研究探討大型語言模型（LLMs）在分析小鼠黑色素瘤模型的空間轉錄組數據的應用。研究發現Claude 3.5 Sonnet在斑點量化和模式識別上表現最佳，並開發出系統化工作流程，幫助分析腫瘤免疫景觀。該模型揭示了免疫抑制機制，並顯示LLMs在空間轉錄組學中的潛力，能有效提升數據解釋的能力。 PubMed DOI

Learning the language of life with AI.
用 AI 學習生命的語言。 Science 2025-01-30

在2021年，AlphaFold 2 在蛋白質摺疊問題上取得重大突破，能準確預測超過兩億種蛋白質的三維結構，為大型語言模型（LLMs）在生命科學的應用鋪路。最近，我們進入一個新階段，這些先進的基礎模型在龐大數據集上預訓練，能處理蛋白質、RNA、DNA等生物分子的結構與相互作用。與傳統模型不同，新的生命大型語言模型（LLLMs）整合了多種分子生物學的知識，例如Evo模型，能預測基因變異對分子結構的影響，甚至生成新的DNA序列。 PubMed DOI

原始文章

站上相關主題文章列表