認知障礙是全球健康的重要議題，急需早期檢測與介入。傳統診斷方法主觀且成本高，資源不足地區更難取得。我們在INTERSPEECH 2024 TAUKADIAL挑戰中，針對169名英語和中文使用者，自動檢測輕度認知障礙（MCI）並預測認知分數。利用Whisper語音模型提取語音嵌入，並採用集成模型，我們在MCI分類中達到81.83%的召回率，認知分數預測則有1.196的均方根誤差，分別排名第二和第一。研究顯示，語言特有的細微差別對準確預測認知障礙至關重要，展現了在多語言環境中進行非侵入性評估的潛力。 PubMed DOI

這項研究探討了CAIDE癡呆風險評分與FINGER試驗中1260名無顯著認知障礙老年人的葡萄糖和脂質代謝標記之間的關係。結果顯示，擁有特定代謝標記的參與者年齡較輕且CAIDE評分較高，並有代謝異常。CAIDE評分與低脂聯素、高胰島素等指標相關，且與APOE4基因的交互作用主要在胰高血糖素上。這些發現顯示，代謝不平衡可能增加癡呆風險，識別這些標記有助於風險評估。 PubMed DOI

這段文字探討神經心理測試中的偏見，特別是語言記憶測試未考慮年齡、性別、教育程度及文化差異。當這些測試在多元文化環境中使用時，問題更為明顯。為了解決這個問題，作者研究利用大型語言模型（如ChatGPT）來創建更具文化相關性的測試刺激，特別是針對波士頓診斷性失語症檢查中的餅乾盜竊測試。透過AI生成符合當地背景的圖像，並保留原測試結構，能更有效地適應不同地區的需求。此外，AI還能快速生成自訂的學習刺激，顯著縮短創建時間。作者強調AI在改善阿茲海默症研究及全球腦健康評估中的潛力。 PubMed DOI

這項研究針對阿茲海默症及其他神經退行性疾病的血液生物標記庫（BioRAND），探討其在早期診斷和監測中的應用。招募年滿25歲且有家族史或診斷的參與者，收集人口統計、醫療歷史及血液檢測數據。目前已招募75名參與者，42名提供多次生物標記數據。研究發現，透過生活方式改變和藥物治療，Aβ42/40比率和pTau217水平顯著改善，顯示血液生物標記在個別化護理中的潛力，呼籲進一步在多樣性人群中進行研究。 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

機器學習（ML）和人工智慧（AI）在醫療領域的應用潛力巨大，但仍面臨解釋性和可靠性等挑戰。本文提出一種新方法，利用大型語言模型（LLMs）進行特徵工程，從《牛津醫學教科書》中提取臨床特徵，提升可解釋性。這種方法將臨床筆記轉換為概念向量，並使用線性分類器，準確率達到0.72，超越傳統基準。使用文本嵌入技術也顯著降低了時間和成本，減少了97%。相關代碼和補充材料可在指定網址獲得。 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

這項研究用transformer深度學習模型，分析美國29年健康與退休資料，預測年長者死亡率。模型涵蓋財務、身心健康等126項風險因子，預測準確度比傳統方法高出許多，平均精確度甚至提升一倍。結果顯示transformer模型在老化與死亡風險預測上很有潛力。 PubMed DOI

這項研究發現，AI語言模型（像GPT-4）能有效找出生物老化相關分子的語意連結，並建議多重介入組合。其分析結果與實際生物學關係高度吻合，並經KEGG資料庫驗證，顯示LLMs有潛力協助發現老化相關的新分子與路徑連結。 PubMed DOI

這項研究結合AI、生物資訊和單細胞分析，找出27個和阿茲海默症有關的關鍵基因。結果發現，患者的免疫細胞組成有明顯變化，像是CD8+ T細胞和巨噬細胞增加，樹突細胞減少，並點出各細胞表現最明顯的前十個基因。這種方法有助於更快了解阿茲海默症的基因和免疫特徵。 PubMed DOI