最近在視網膜影像的人工智慧（AI）方面有兩大進展：判別性AI和生成性AI。判別性任務中，卷積神經網絡（CNN）仍是主流，但視覺變壓器（ViT）因其在糖尿病視網膜病變篩檢等任務中的優異表現，逐漸受到重視。生成性方面，生成對抗網絡（GAN）則用於創建新影像，幫助解決數據不平衡問題。儘管AI技術快速進步，但在實際應用上仍有距離，需更多證據證明其能有效預防視力喪失。 PubMed DOI

與年齡相關的黃斑變性（AMD）在老年人中引起廣泛關注，近期人工智慧（AI）的進展使得相關研究興趣大增。這項文獻計量分析針對1992至2023年間的AI在AMD研究進行系統評估，使用Web of Science核心合集資料，分析出版量、影響力及研究趨勢。結果顯示美國產出最多，墨爾本大學為主要機構，且深度學習模型的開發及早期檢測成為研究重點。此分析為未來研究提供了重要指引，促進該領域的合作。 PubMed DOI

人工智慧（AI）與深度學習（DL）結合光學相干斷層掃描（OCT），在青光眼的診斷和管理上取得了顯著進展。研究指出，卷積神經網絡（CNNs）在視網膜層分割和青光眼損傷識別上特別有效，而遞迴神經網絡（RNNs）則擅長追蹤疾病進展。生成對抗網絡（GANs）能提升影像質量，自編碼器則有助於特徵提取。儘管如此，數據可用性和偏見等挑戰仍需克服，以便在臨床上成功應用這些技術，進而實現更精確的青光眼治療。 PubMed DOI

近年來，人工智慧（AI）技術在醫療領域迅速發展，特別是在影像和語音辨識方面。AI將逐漸融入臨床環境，未來可能在病人訪談中扮演重要角色，並協助醫生解讀檢測結果，如心電圖和胸部X光，提供更深入的見解。儘管實際應用仍面臨挑戰，但預期醫生將與AI系統合作，提升心血管疾病的診斷和治療準確性。這篇回顧專注於AI在心臟病學的應用，強調其改善臨床工作流程的潛力，最終使醫療提供者和病人受益。 PubMed DOI

近年來，人工智慧（AI）技術，特別是大型語言模型（LLMs）的進步，對傳統醫療實踐有著顯著影響，能提升醫療效率與品質。在眼科領域，LLMs 可協助醫生診斷眼疾、優化治療建議、簡化醫療紀錄撰寫，並提供教育支持。然而，LLMs 在臨床應用中仍面臨挑戰，如知識基礎限制、AI 幻覺現象，以及數據隱私問題。未來的研究將對克服這些挑戰並發揮 LLMs 的潛力至關重要。 PubMed DOI

這項研究提出了一種創新的AI方法，利用眼底影像檢測視網膜動脈阻塞（RAO），首次將深度學習應用於此病症。研究者採用自我監督學習框架，並透過SimCLR克服標記數據不足的問題。經過預訓練的ResNet50模型在兩個外部數據集上顯示出高達0.924和0.988的診斷準確率，展現其穩健性。 此外，研究還引入了一個基於ChatGPT-4的AI聊天機器人，結合Grad-CAM技術，提供模型預測的詳細解釋，幫助醫生理解決策過程，增進信任。這個AI模型有助於早期識別眼部及全身血管風險，強調了眼底影像在心血管風險評估中的潛力。 PubMed DOI

人工智慧（AI）在心血管醫學中的重要性越來越明顯，促使醫生和研究人員探索其實際應用。AI能透過識別疾病變異、整合多種數據及改善治療方法來提升心血管護理。這篇綜述強調了AI在心臟電生理學、影像學等領域的創新應用，並指出機器學習在預測心血管風險中的重要性。儘管AI潛力巨大，但仍需解決技術和倫理問題，以確保其在臨床上的安全有效運用。制定高品質標準並與相關方合作，對於成功轉型心血管護理至關重要。 PubMed DOI

這篇綜述分析了3,581篇文獻，說明機器學習在青光眼早期診斷、疾病預測和個人化治療上的應用進展。重點聚焦於眼疾、視網膜影像和風險因子。研究也指出現有趨勢與不足，並建議結合多模態技術和大型語言模型，有望進一步提升青光眼診斷與照護品質。 PubMed DOI

這篇系統性回顧發現，AI模型診斷黃斑前膜的準確度很高，敏感度約90%，特異性約96%，其中用彩色眼底攝影的AI特異性更高。不過，目前多數研究缺乏外部驗證，開發方式也不一，限制臨床應用。未來需加強標準化和驗證，並開發能預測病程的AI模型。 PubMed DOI

這篇論文提出 VisionTrack 多模態 AI 系統，能整合影像、臨床資料和醫療報告，提升視網膜疾病診斷的準確度。系統結合 CNN、GNN 和 LLM 技術，在公開資料集上測試表現優異，展現早期偵測和個人化眼科照護的應用潛力。 PubMed DOI