研究測試了精細調校的大型語言模型（LLM）在分類腦部磁振造影報告的效能。LLM表現高準確、敏感，且處理速度快，比人類放射科醫師更有效。結果顯示LLM在醫學影像分析上有潛力，與專業醫師相當。 PubMed DOI

這項研究探討大型語言模型（LLMs）與人類大腦在處理敘事資訊上的差異。雖然LLMs能預測與敘事相關的神經信號，但它們是平行分析大量文本，與大腦逐步處理的方式不同。研究使用219名參與者的fMRI數據，發現LLMs在短期上下文中表現較好。研究人員開發了一個增量上下文模型，結合短期與持續更新的長期上下文，顯著改善了對長期處理腦區活動的預測。這結果顯示大腦整合資訊的能力，對認知神經科學和人工智慧的發展提供了新見解。 PubMed DOI

生成式人工智慧和大型語言模型（LLMs），如GPT-4，對臨床醫學和認知心理學影響深遠。這些模型在理解和生成語言方面表現優異，能改善臨床決策和心理諮詢。雖然LLMs在類比推理和隱喻理解上表現良好，但在因果推理和複雜規劃上仍有挑戰。本文探討LLMs的認知能力及其在心理測試中的表現，並討論其在認知心理學和精神醫學的應用、限制及倫理考量，強調進一步研究的重要性，以釋放其潛力。 PubMed DOI

這項研究探討了閱讀理解的挑戰，這是許多學習者常遇到的困難。研究者利用腦機介面（BCI）技術，預測閱讀的單詞與目標推論單詞的相關性。他們結合腦電圖（EEG）和眼動追蹤數據，運用大型語言模型（LLMs）創建新的閱讀嵌入表示。結果顯示，九名受試者的平均準確率為68.7%，最佳可達71.2%。此外，對BERT模型進行微調後，達到92.7%的準確率。這項研究在增強閱讀技能工具的開發上邁出了重要一步，相關代碼和數據已在GitHub上公開。 PubMed DOI

這篇論文探討了一個智能代理的開發，利用大型語言模型（LLMs）來優化平行磁共振成像（pMRI）重建，特別是針對GRAPPA方法。傳統的pMRI重建需大量參數調整，過程繁瑣。雖然數據驅動的AI已改善重建質量，但知識驅動的AI方法尚未充分利用。 作者提出利用LLMs生成規劃領域定義語言（PDDL）文件，幫助指導GRAPPA重建，讓過程更高效，特別對非專家的MRI技術人員友好。實驗結果顯示，這種方法能有效提升影像質量，未來可能實現完全自動化的重建過程，減少人類干預。 PubMed DOI

大型語言模型（LLMs）徹底改變了人工智慧，特別是在生成文本方面。這些模型透過大量文本訓練，能生成連貫且具上下文的內容，應用範圍廣泛，從聊天機器人到內容創作，展現出驚人的語言理解與生成能力。它們能執行摘要、問答及創意寫作等任務，並透過微調技術針對特定需求進行客製化。隨著技術進步，LLMs 的應用也在擴展，並引發了關於倫理、偏見及社會影響的討論，標誌著人工智慧的一次重大進步。 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

這篇研究用自我監督和對比式學習，把腦電圖（EEG）訊號和影像刺激對齊，讓系統能從EEG數據辨識影像。在200類零樣本任務下，top-1準確率19.7%、top-5達51.5%，表現明顯優於隨機。這證明用EEG解碼影像可行，未來在醫療、機器人等腦機介面應用很有潛力。 PubMed DOI

最新的商業大型語言模型（像GPT-4o），在神經影像的中繼資料標註上，表現幾乎跟專業人員一樣好（zero-shot下得分0.91–0.97），錯誤率也差不多，很多分歧其實不是錯誤。這代表LLM很適合大規模自動標註。作者也建議大家建立並分享標註基準資料集，方便未來測試。 PubMed DOI

大型語言模型能幫助放射科減輕工作量，但還有像是亂編內容和資訊來源不明的問題。結合RAG技術能提升可靠性，但面對大量或複雜資料時還需改進。本文回顧LLMs最新進展及放射科應用案例，並提出未來研究方向。 PubMed DOI