研究探討了如何運用大型語言模型（LLMs）在失語症研究中的應用。研究人員分析LLMs的語言指標，以改善失語症的診斷和評估。研究結果顯示，LLMs能有效檢測失語症、提高亞型分類的準確性，並捕捉語法缺陷。整合LLMs到自然語言處理流程中，有助於增強對失語症等語言障礙的模型。 PubMed DOI

這篇論文探討大型語言模型（LLMs），如ChatGPT，在癡呆症護理和研究中的應用潛力。文章介紹了LLMs的特性、能力與限制，並討論其在護理中的實際考量，例如透過手機應用程式使用。LLMs可增進對癡呆症的理解、診斷和治療，透過有意義的對話和個性化支持來改善病人護理。 LLMs的好處包括提升社交互動、改善認知功能和情緒福祉，並減輕照護者負擔。不過，部署LLMs也引發隱私和倫理等問題。問卷調查顯示，癡呆症患者及支持者對使用LLMs的看法普遍正面，但仍擔心偏見和數據隱私。總體而言，這篇評論強調了LLMs在癡呆症護理中的潛力，並呼籲進一步研究。 PubMed DOI

這項研究探討大型語言模型（LLMs）在健康心理學中如何增強健康評估，旨在克服傳統統計和機器學習方法的限制。傳統方法因線性評分而準確性不足，而機器學習則在可解釋性和數據需求上有挑戰。研究提出的ScaleLLM利用LLMs的自然語言理解能力，提供健康量表的專家評估。實驗結果顯示，ScaleLLM在身心健康評估的準確性和可解釋性上都有所提升，成為該領域的一個有前景的工具。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是Llama 2和GPT-4，在電子健康紀錄中檢測認知衰退的有效性。研究在麻省總醫院進行，分析輕度認知障礙患者的臨床筆記，並將LLMs與傳統模型比較。結果顯示，GPT-4的表現優於Llama 2，但仍不及傳統模型。集成模型的表現最佳，達到90.2%的精確度。錯誤分析顯示模型間的錯誤特徵不同，建議結合LLMs與傳統模型以提升診斷效果。該研究獲得美國國家老齡化研究所及國家醫學圖書館的資助。 PubMed DOI

這項研究旨在提升神經生物銀行（NBB）中非結構化神經病理數據的可尋找性、可及性、互操作性和可重用性，並探討大型語言模型（LLMs）的應用。研究針對822名帕金森病捐贈者，開發以腦區和病理發現為中心的數據模型，促進數據轉換為通用數據元素，增進神經科學社群的數據共享。試點研究顯示，LLMs在結構化非結構化報告方面的提取質量可與人工整理相媲美，為PD研究提供了重要資源，並有助於整合臨床和遺傳信息，深化對帕金森病的理解。 PubMed DOI

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

大型語言模型（LLMs）如ChatGPT等，正透過其推理能力改變疾病診斷與治療。這些模型能分析醫學文本，提升診斷準確性，並有效識別症狀與檢測結果中的細微模式。多模態大型語言模型（MLLMs）更能分析醫學影像，協助制定基於證據的治療計畫。然而，仍面臨算法偏見及生成不準確資訊的風險，需進行臨床驗證。這篇論文強調政策制定、倫理監督及跨學科合作的重要性，以確保臨床應用的安全與有效性，並探討未來研究方向。 PubMed DOI

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

阿茲海默症是導致癡呆的主要原因，會影響語言能力。最近，深度學習的進展讓透過語音分析自動檢測阿茲海默症成為可能，但傳統方法多集中於單一發言，限制了效果。我們提出一個新框架，利用大型語言模型來系統性識別患者的語言缺陷，並整合到Albert模型中，顯著提升檢測準確率和F1分數。這顯示大型語言模型在阿茲海默症檢測中的潛力。 PubMed DOI

這項概念驗證研究顯示，大型語言模型（LLMs）能自動將非結構化的病例報告轉換為臨床評分。我們使用標準化的臨床評分量表，並評估LLM對其輸出的信心，以改善提示策略並確保結果的可重複性。針對藥物引起的帕金森症病例報告，研究結果顯示LLM提取的數據與臨床評分者手動提取的結果相當接近，準確率高達90%。 PubMed DOI