短文本聚類面臨詞彙共現的挑戰，但研究顯示大型語言模型（LLMs）能有效生成嵌入，捕捉語義細微差異，改善聚類結果。透過高斯混合模型，聚類效果比傳統方法如doc2vec和潛在狄利克雷分配更明顯且易解釋。人類評審和生成型LLM的驗證顯示高一致性，顯示LLM能縮短聚類產出與解釋的距離。此外，LLM與人類編碼的比較揭示了兩者的偏見，質疑傳統將人類編碼視為最終標準的做法。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）從日本的肺癌放射學報告中提取資訊並進行聚類分析。隨著自然語言處理在醫學領域的應用增加，研究針對非英語醫學數據集的挑戰進行探討。使用MedTxt-RR數據集，研究發現腫瘤大小在73.3%的報告中被準確識別，腫瘤位置和側別則在83%的報告中被識別。結果顯示，無監督的LLM方法在資訊提取和聚類上優於傳統監督方法，顯示出LLM在提升放射學報告效用的潛力。 PubMed DOI

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

多組學研究是一種創新的生物科學方法，結合基因組學、轉錄組學、蛋白質組學和代謝組學等數據，幫助我們全面理解生物系統。這篇綜述強調數據整合的重要性，揭示生物過程中的複雜互動。 我們討論了深度學習、圖神經網絡和生成對抗網絡等計算技術的最新進展，這些技術提升了多組學數據的分析能力。同時，文章也探討了數據異質性和模型可解釋性等挑戰。 此外，大型語言模型在特徵提取和知識整合方面的潛力也被提及。儘管多組學有很大潛力，但所需的計算資源和模型調整的複雜性仍需持續創新與合作。 PubMed DOI

這項研究提出了一個名為ICGI（整合性因果基因識別）的新框架，透過整合多種組學數據來識別與癌症相關的基因。傳統方法常因依賴一般化的相關性而產生偏差，未考慮混淆因素。ICGI利用大型語言模型（LLM），結合因果提示和數據驅動的特徵選擇，提升癌症基因識別的準確性。該框架在《癌症基因組圖譜》中測試了六種癌症的轉錄組數據，表現優於現有方法。此外，還開發了線上平台，讓用戶能輸入基因和癌症類型，自動評估基因的重要性，並提供清晰的解釋。不過，研究也指出目前的LLMs可能無法完全捕捉所有相關信息。 PubMed DOI

這篇回顧探討大型語言模型（LLMs）在腫瘤學中自動提取非結構化臨床文本的應用，強調其在提升癌症研究和病人照護的潛力。回顧分析了自2000年以來的24項研究，發現大多數使用BERT變體，少數使用Chat-GPT。研究顯示，LLMs能有效提取數據，減少醫療人員的手動工作量，並建議可減輕行政負擔，讓醫護人員更專注於病人照護。未來需進一步研究其在臨床實踐中的整合及表現。 PubMed DOI

這篇綜述介紹大型語言模型在腫瘤醫學的應用，包括癌症篩檢、診斷、分期和治療建議等，展現其提升精準醫療的潛力。文章也點出幻覺、倫理和應用侷限等挑戰，並提出改進建議，期望推動LLMs在癌症照護上的發展。 PubMed DOI

這項研究發現，開源大型語言模型（LLM）在從腫瘤臨床試驗描述中萃取基因生物標記資訊，並將試驗資料結構化方面，表現比GPT-4等封閉模型更好。即使沒特別調整，開源模型就很厲害，經過微調後準確度還能再提升。這有助於病患媒合合適的臨床試驗。 PubMed DOI

AI大型語言模型正改變癌症研究，能協助資料擷取、分析、病患配對及多元資料整合，讓流程更有效率、決策更快速。不過，資料隱私、準確性、成本和法規等問題，還是需要特別注意。 PubMed DOI

我們開發了一套用大型語言模型（LLMs）自動分類腫瘤臨床試驗和文獻的系統，在多個資料集和任務上都表現優異，準確率超過94%、F1-score超過92%，回應有效性最高達99.88%。雖然還有提示敏感度和運算資源的挑戰，但未來LLMs有望成為醫學文獻分類的重要工具。 PubMed DOI