這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

這項研究探討了GPT-4在評估藥物對肝臟、心臟和腎臟健康的毒性時的可靠性，並將其結果與FDA藥物標籤的專家評估進行比較。研究使用了兩種提示方式：一般提示和專家提示。結果顯示，專家提示的準確率（64-75%）高於一般提示（48-72%），但兩者的表現都只是中等。這提醒我們在公共健康應用中使用GPT-4時需謹慎，並建議採用檢索增強生成（RAG）等先進框架來提升其可靠性。 PubMed DOI

這項研究評估了OpenAI的ChatGPT-3.5和GPT-4在台灣國家藥師執照考試的表現。結果顯示，GPT-4的準確率為72.9%，明顯優於GPT-3.5的59.1%。在基礎科目中，GPT-4得分更高，顯示其在臨床藥學和教育上的潛力。不過，研究也提醒使用者需謹慎，因為模型仍有局限性。未來應著重改進模型的穩定性和問題設計，以更有效評估學生能力。 PubMed DOI

人工智慧（AI）透過深度學習技術，特別是卷積神經網絡（CNNs），已在各領域帶來重大變革。自1990年代Yann LeCun提出以來，CNNs被廣泛應用於醫療診斷、自動駕駛、金融預測及圖像識別等。分析化學方面，深度學習提升了質譜、核磁共振等數據分析的效果。隨著大型語言模型（LLMs）如ChatGPT的興起，自然語言處理也獲得了新動力。本文探討如何利用智能手機和LLM進行激光誘導擊穿光譜（LIBS）數據的互動式分析，顯示LLMs在未來分析化學中的重要性。 PubMed DOI

這項研究探討生成大型語言模型（LLMs），特別是GPT，在癌細胞系藥物敏感性預測（DSP）中的應用。研究調整了提示工程技術，提升GPT在藥物基因組學數據上的表現，並與現有基準比較。 主要發現包括： 1. 開發三種提示模板，提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數，表現最佳。 3. GPT在GDSC數據集上F1分數提高16%，展現強大泛化能力。 4. 提供藥物與通路關聯的見解，與先前發現一致。 總體而言，研究顯示GPT可作為精準腫瘤學的有效工具，改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI

這項研究探討了生成預訓練變壓器（GPT）模型，特別是GPT-3.5、GPT-4和GPT-4o，如何在非結構化病人筆記中識別與免疫檢查點抑制劑（ICI）療法相關的免疫相關不良事件（irAEs）。分析了442名病人，發現常見的irAEs包括肺炎、結腸炎、皮疹和肝炎。雖然GPT模型在敏感性和特異性上表現良好，但正向預測值中等，顯示出過度預測的傾向。GPT-4o在血液、胃腸和肌肉骨骼類別中表現最佳。研究建議這些模型可自動化檢測irAEs，減輕醫療人員負擔，增強病人安全監測。 PubMed DOI

藥物引起的骨毒性是指某些藥物對骨骼的有害影響，這在臨床和藥物開發中都很重要。目前的毒性評估模型缺乏專門的數據和演算法。我們的研究收集了骨毒性分子的數據，並使用DeepSeek和ChatGPT等大型語言模型來預測其特性，準確率分別達到0.87和0.88。研究顯示，機器學習能有效評估藥物對骨骼健康的影響，改善安全協議，減少副作用，提升治療效果，並強調大型語言模型在預測分子毒性方面的潛力。 PubMed DOI

準確預測分子毒性對藥物開發非常重要，傳統方法多依賴指紋或圖形特徵。隨著大型語言模型（LLMs）的出現，分子表示學習有了新機會。我們提出了BFGTP，一個基於BERT的兩階段分子表示學習框架，專注於毒性預測。此方法包含獨立編碼器和兩階段引導策略，能有效整合多種分子描述。實驗結果顯示，BFGTP在七個毒性數據集上表現優於現有基準，並在多項指標上達到最佳表現，證明其有效性。 PubMed DOI

這項研究用大型語言模型和提示工程，自動從論文中擷取奈米毒性資料，準確度很高（F1 分數最高87.6%）。擷取的資料再用來訓練機器學習模型，預測奈米毒性時F1分數也超過86%。這方法有效減少人工整理資料的負擔，還能提升資料品質，對奈米毒性研究很有幫助。 PubMed DOI

這項研究發現，ChatGPT（GPT-4o）能提出許多新穎又有創意的心臟毒性研究想法，例如用單細胞RNA定序、AI風險預測、機器學習分析心電圖等。雖然部分計畫太過理想化，但整體來說，AI有助於激發創新研究方向，未來有機會提升心臟毒性預測和照護品質。 PubMed DOI