原始文章

這項研究探討了先進的自然語言處理技術如何改善食物分類和飲食分析，使用來自飲食追蹤應用的原始文本。研究分為數據收集、框架開發和應用三個階段，參與者透過 myCircadianClock 應用記錄餐點。研究人員創建了 NutriRAG 框架，結合大型語言模型如 GPT-4，提升了食物分類的準確性。結果顯示，參與者在不同飲食模式下的飲食行為有顯著變化，顯示出 NutriRAG 在個性化營養和健康問題解決上的潛力，並建議進一步研究。 PubMed DOI ♡

站上相關主題文章列表

這篇論文探討了大型語言模型（LLMs）在營養與飲食應用中的表現，特別是針對註冊營養師（RD）考試的1050道問題。研究比較了GPT-4o、Claude 3.5 Sonnet和Gemini 1.5 Pro的準確性與一致性，並分析了不同提示技術的效果。結果顯示，GPT-4o在使用帶自我一致性的思考鏈（CoT-SC）時表現最佳，而Gemini 1.5 Pro在零提示（ZS）下則展現最高一致性。研究強調選擇合適的LLM和提示策略對減少錯誤風險的重要性。 PubMed DOI

這項研究探討了使用OpenAI的GPT-4o模型透過照片來評估餐點的營養成分，並與稱重食物紀錄及營養師的評估進行比較。結果顯示，該模型在評估能量、脂肪、蛋白質、碳水化合物和鹽的表現普遍不佳，但在纖維含量的評估上卻有顯著優勢，達到0.71的相關係數，超過營養師的0.57。這顯示目前的AI方法雖然能簡化食物紀錄，但在纖維評估上較為可靠，對其他營養成分則不然。 PubMed DOI

這項研究評估了不同大型語言模型（LLMs）和檢索增強生成（RAG）框架在提供慢性腎病（CKD）飲食指導的準確性。研究以2020年國家腎臟基金會的營養指導為基準，測試了四個聊天機器人（GPT-4、Gemini 和 Llama），並使用12個相關提示。結果顯示，Gemini 和 RAG 的準確性最高（中位數4.0），而 GPT-4 和 Llama 較低（中位數2.5和1.5）。研究建議針對特定領域定制LLMs，或利用指導方針增強RAG框架，以提高醫療保健中的準確性。 PubMed DOI

本研究探討ChatGPT-4在評估餐點營養成分的有效性，分析了114張餐點照片。結果顯示，ChatGPT能準確識別93%的食物，對小份量餐點的重量估算一致性良好，但中、大份量則較差。16種營養素中，有10種的估算結果一致性不佳，且多數低估了含量。與七位營養師的評估相比，ChatGPT在食物識別和小份量估算上表現優異，但在中、大份量及營養成分計算上仍需改進。 PubMed DOI

這項研究評估大型語言模型（LLMs）在生成臨床試驗計畫書的有效性。研究人員使用LLM生成不同疾病和試驗階段的計畫書，並根據臨床思維、透明度、醫學術語和內容相關性四個標準進行評估。結果顯示，LLM在內容相關性和術語方面表現良好，但在臨床思維和透明度上則較差。為提升表現，研究人員採用檢索增強生成（RAG）方法，顯著改善了內容質量，提升了臨床思維和透明度的分數。這表明RAG方法能有效提升LLM在臨床試驗文件撰寫的可用性，並可能改變藥物開發過程。 PubMed DOI

這項研究評估了GPT-4在回答與營養相關問題時對炎症性腸病（IBD）患者的表現。研究分析了88個問題的回答，結果顯示GPT-4正確回答了73個問題（83%），並對61個問題提供了全面的回應（69%）。雖然在管餵和靜脈營養方面表現良好，但仍有17%的回答包含不正確資訊。儘管如此，GPT-4在一致性上表現出色，對81個問題（92%）提供了一致的回答。研究指出，GPT-4可成為IBD患者的營養指導資源，但需進一步改進以確保準確性。未來應專注於優化語言模型的應用。 PubMed DOI

臨床醫師越來越重視大型語言模型（LLMs）在肥胖服務中的應用，因為它們有助於提升護理的可及性和效率。不過，對於這些模型的科學準確性和同理心表達仍有疑慮。最近研究顯示，ChatGPT-3能有效模仿人類營養師的回應，而比較ChatGPT-4與人類營養師的研究結果顯示，兩者在科學正確性、可理解性、同理心和可行性上表現相似。這些結果顯示，先進的LLMs在肥胖治療中可能提供有價值的支持，但仍需進一步研究其在其他情境中的有效性。 PubMed DOI

大型語言模型（LLMs），像是ChatGPT，正被研究用於增強慢性腎臟病（CKD）患者的營養指導。為了發揮其最佳效能，醫療專業人員、患者及照顧者的合作至關重要。雖然LLMs能提供食譜建議，但在分析電解質和卡路里等重要營養成分上仍有不足。未來的技術進步預期能改善這些能力，實現精確的營養分析和烹飪輔助工具。CKD社群的參與對於推動人工智慧在營養護理中的應用非常重要，並需保持批判性思維。 PubMed DOI

這項研究開發了NICRP-Framework，運用先進NLP技術和大型語言模型，分析各類飲食資料來預測大腸直腸癌風險。該框架能有效處理資料不平衡問題，找出關鍵營養因子，預測準確率高達98.4%。這有助於深入了解飲食與癌症的關聯，並推動更精準、個人化的預防策略。 PubMed DOI

這項研究比較 GPT-4o、Llama-3 (70B) 和 Mixtral (8x7B) 三款大型語言模型，發現 Llama-3 (70B) 和 GPT-4o 拆解餐點成分的表現都比 Mixtral 好，尤其 Llama-3 (70B) 準確率和 F1-score 都最高。結果顯示，像 Llama-3 這類開源模型，對個人化營養和餐點客製化很有幫助。 PubMed DOI