這項研究探討大型語言模型（LLMs），特別是Llama 2和GPT-4，在電子健康紀錄中檢測認知衰退的有效性。研究在麻省總醫院進行，分析輕度認知障礙患者的臨床筆記，並將LLMs與傳統模型比較。結果顯示，GPT-4的表現優於Llama 2，但仍不及傳統模型。集成模型的表現最佳，達到90.2%的精確度。錯誤分析顯示模型間的錯誤特徵不同，建議結合LLMs與傳統模型以提升診斷效果。該研究獲得美國國家老齡化研究所及國家醫學圖書館的資助。 PubMed DOI

這項研究比較了腦齡模型和直接模型在預測阿茲海默症相關健康結果的效果。雖然腦齡模型基於大型數據集訓練，但結果顯示，專門設計的直接模型在未經微調的情況下表現更佳。即使經過微調，腦齡模型的表現仍不及直接模型，儘管它們是在更大的數據集上訓練的。這顯示腦齡是腦部健康的重要指標，但針對特定結果的模型仍然更有效。 PubMed DOI

這項研究評估了大型語言模型（LLMs）的認知能力，使用蒙特利爾認知評估（MoCA）等測試。研究者與多個聊天機器人互動，包括ChatGPT 4o、Claude 3.5和Gemini 1.0。結果顯示，ChatGPT 4o得分最高（26/30），而Gemini 1.0得分最低（16/30）。大多數模型顯示輕度認知障礙，且「年齡」影響表現。這些結果顯示，LLMs的認知限制可能影響其在醫療診斷中的可靠性，挑戰了AI取代人類醫生的觀點，並可能降低病人對AI輔助醫療的信心。 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

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