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

慢性病是全球主要死因，LLMs（像ChatGPT）在管理慢性病上有潛力，能提供準確、易懂的健康建議，幫助病人自我管理和獲得支持。專業型LLMs表現更好，但目前證據有限，還有隱私、語言和診斷等挑戰。臨床應用還在初期，未來需加強資料安全、專業化和與穿戴裝置整合。 PubMed DOI

這項研究用機器學習和大型語言模型分析33位帕金森氏症患者在服藥前後的語音內容，最好的模型準確率高達98%，還能預測神經精神評分。結果顯示，透過語音分析，有機會遠端且全面監測帕金森氏症患者的神經精神狀況。 PubMed DOI

這項研究用混合實境頭戴裝置，收集波蘭帕金森氏症患者和健康者的語音資料，並用機器學習和深度學習分析聲音和語言特徵。結果顯示，XGBoost和HuBERT模型能高準確度偵測早期帕金森氏症，證明結合MR和AI技術，有助於非侵入性、快速診斷神經退化疾病，提升臨床應用前景。 PubMed DOI

大型語言模型常會產生看似正確但其實錯誤的回答，這跟人類接受性失語症很像。研究發現，LLMs的內部運作和失語症患者大腦的資訊處理方式很相似，特別是在狀態轉換和停留時間上。這種分析方法未來有機會幫助改進LLMs，也可能應用在失語症診斷上。 PubMed DOI

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 PubMed DOI

研究團隊開發了一套經微調的大型語言模型，能自動從電子病歷的臨床紀錄中擷取阿茲海默症及相關失智症的7大症狀，準確度（AUROC）高達0.97-0.99，優於傳統方法。這些症狀不僅能預測失智症診斷，還和腦部MRI結果有關，有助提升診斷準確率並推動相關研究。 PubMed DOI

這項研究用大型語言模型（LLM）來自動辨識自閉症語言障礙的關鍵特徵，在零樣本情境下，表現比傳統方法好，敏感度和陽性預測值都提升超過10%。LLM能穩定偵測出十種重要語言特徵，顯示它有潛力成為協助自閉症診斷和個人化治療規劃的有效工具。 PubMed DOI