這項調查探討了基礎模型（FMs）在人工智慧中的影響，特別是它們如何與聯邦學習（FL）結合應用於生物醫學研究。像ChatGPT、LLaMa和CLIP等模型透過無監督預訓練和人類反饋強化學習，提升了機器學習的能力，能處理臨床報告和診斷影像等多種數據。結合基礎模型與聯邦學習，不僅能分析數據，還能保護醫療數據隱私，改善醫療診斷和個性化治療。調查也指出了當前的挑戰，並建議未來的研究方向，以促進醫療保健的創新。 PubMed DOI

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

這篇評論指出社會環境對心理健康的重要影響，並批評傳統研究方法無法有效捕捉這些複雜互動。它建議使用大型語言模型驅動的生成代理來模擬虛擬環境中的人類行為，以進行心理健康研究。評論中探討了這項技術的應用，包括模擬不利生活事件、城市生活條件及氣候變遷對心理健康的影響。同時也提到實施這些代理可能面臨的挑戰，並強調其在推進心理健康研究上的潛力。 PubMed DOI

當前社會對科學的信任度下降，公民參與也減少，這可能影響公共健康和健康公平的研究。為了應對這些挑戰，社區為中心的公民科學應用可以提升公眾參與，並成為AI探索的重要領域。我們探討了幾個有潛力的AI應用，如對話式大型語言模型和數據分析工具，這些都能惠及社區。不過，AI在社區研究中的使用也帶來風險，我們也討論了如何減輕這些技術可能引發的倫理和社會挑戰。 PubMed DOI

基礎模型（FMs）是大型深度學習模型，透過自我監督學習在廣泛數據集上訓練，已在醫療領域取得成功。這項調查提供FMs在醫療中的歷史、學習策略、主要模型及應用的深入分析，特別是BERT和GPT如何影響臨床語言處理、醫學影像分析等領域。儘管FMs帶來許多機會，但也面臨挑戰，調查指出未解的研究問題，為研究人員和實務工作者提供見解，以促進FMs的應用並應對潛在風險。 PubMed DOI

衛星影像的可用性不斷提升，讓地球表面地圖的繪製加速，但準確性仍受限於現場數據不足。公民科學計畫如Geo-Wiki和Picture Pile雖有效收集數據，但仍需更佳策略來優化志願者的時間與努力。雖然部分專案已開始使用機器學習，生成式AI的潛力尚未被充分利用。本文探討如何透過生成式AI改善土地覆蓋與使用的繪製，特別是整合多模態大型語言模型（MLLMs），以提升AI的空間意識，進而增強數據收集與繪圖的效率。 PubMed DOI

基礎模型已成為人工智慧應用，特別是自然語言處理中不可或缺的部分。圖形機器學習也正朝向更先進的深度學習技術發展。基礎模型的成功促使研究者探索圖形基礎模型（GFMs），這些模型預期能在大型圖形數據集上進行預訓練，並適應不同任務。不過，這個新興領域目前缺乏明確定義和系統分析。本文介紹GFMs的關鍵特徵，並根據其對圖形神經網絡和大型語言模型的依賴程度，將研究分為三類，並回顧GFMs的現狀及未來研究方向。 PubMed DOI

生成式人工智慧正逐漸成為地理人工智慧（GeoAI）中不可或缺的一環，尤其在健康應用上。這篇論文是《國際健康地理學期刊》2025年發表的系列文章之一，聚焦於「生成革命」。文中介紹了第二篇文章，將探討人工智慧基礎模型在地理空間健康應用中的角色，並討論相關挑戰及未來研究方向。 PubMed DOI

大型語言模型（LLMs）在人工智慧領域是一大突破，能改變醫療溝通、研究和決策。它們能快速分享健康資訊，打破語言障礙，但整合進醫療系統時也面臨挑戰，如數據偏見、隱私問題及數位素養差異。儘管如此，LLMs的分析能力可支持基於證據的醫療政策。為了發揮其潛力，需制定倫理指導方針、減少偏見策略，並確保全球醫療資源的公平獲取。妥善解決這些挑戰，LLMs有望改善全球健康結果，促進健康公平。 PubMed DOI

醫療數據整合很難，因為格式和標準不一，現有的資料通用模型常會造成資訊遺失且維護困難。生成式AI（像大型語言模型）有機會直接分析原始數據，減少對CDM的依賴。知識圖譜則能標準化資料關聯，保留完整性。未來應聚焦生成式AI如何解決這些整合難題，同時注意隱私和資安。 PubMed DOI