這項研究評估了兩個大型語言模型（LLMs），ChatGPT 和 Llama2，在提取與認知測試相關的臨床筆記資訊的表現。研究使用了765份臨床筆記，結果顯示ChatGPT在提取迷你心理狀態檢查（MMSE）和認知癡呆評分（CDR）方面的準確率均優於Llama2。特別是在MMSE的準確率上，ChatGPT達83%，而Llama2僅66.4%。此外，ChatGPT在敏感性和真陰性率上也表現更佳。研究強調了大型語言模型在癡呆研究中的潛力及其評估的重要性。 PubMed DOI

癡呆症的診斷在全球醫療中面臨挑戰，主要因為其複雜性及電子健康紀錄的不一致性。傳統診斷方法可能會漏掉或錯誤識別病例，因此需要改進工具。本研究探討人工智慧（AI）及大型語言模型（LLMs）在提升癡呆症檢測的潛力。研究結果顯示，使用GPT-4的患者紀錄聚合方法達到最高準確率0.86，顯示大型語言模型能顯著改善癡呆症診斷的準確性，優於傳統方法。 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

阿茲海默症是導致癡呆的主要原因，會影響語言能力。最近，深度學習的進展讓透過語音分析自動檢測阿茲海默症成為可能，但傳統方法多集中於單一發言，限制了效果。我們提出一個新框架，利用大型語言模型來系統性識別患者的語言缺陷，並整合到Albert模型中，顯著提升檢測準確率和F1分數。這顯示大型語言模型在阿茲海默症檢測中的潛力。 PubMed DOI

在癡呆症，特別是阿茲海默症患者中，溝通面臨重大挑戰，常使用模糊的詞彙，導致表達不清。雖然語言結構在早期可能保持完整，但這仍有爭議。大型語言模型（LLMs）在癡呆症研究中顯示潛力，能分析相關文本數據，但因數據集有限，訓練上有困難。我們的研究提出新方法，透過文本編碼策略提升模型性能，嵌入特殊字符，最終模型達到0.88的f1-score和0.86的準確率，顯著優於基準模型。 PubMed DOI

目前用醫療理賠資料來判斷阿茲海默症和相關失智症，其實準確度不太理想。這篇研究用AI文字分類模型（像深度學習和大型語言模型）來分析電子病歷，結果發現Llama 2這種LLM模型表現最好，準確度明顯贏過傳統方法（AUC 0.95比0.85）。其他AI模型也比傳統方法優。這顯示用AI分析病歷有助於更準確找出ADRD病人，但還需要更多資料驗證。 PubMed DOI

這項研究開發的 CD-Tron 臨床語言模型，能在 MCI 診斷前，從超過 2,000 名病患的電子病歷中，早期偵測認知衰退。CD-Tron 表現比傳統模型更好，準確率和敏感度都很高，還能用 SHAP 值解釋預測結果，提升臨床透明度，展現語言模型在醫療早期偵測的潛力。 PubMed DOI

這項研究利用大型語言模型（LLMs）把電子健康紀錄（EHR）結構化資料轉成自然語言，並應用在疾病預測。LLMs分別扮演「預測者」和「評論者」兩種角色，負責預測結果和給予改進建議。結果顯示，在樣本數少的情況下，這種方法的預測表現不輸傳統監督式學習，對醫療應用很有發展潛力。 PubMed

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 PubMed DOI

研究團隊開發了一套經微調的大型語言模型，能自動從電子病歷的臨床紀錄中擷取阿茲海默症及相關失智症的7大症狀，準確度（AUROC）高達0.97-0.99，優於傳統方法。這些症狀不僅能預測失智症診斷，還和腦部MRI結果有關，有助提升診斷準確率並推動相關研究。 PubMed DOI