在醫療保健領域，人工智慧（AI）在抗生素處方的應用逐漸增多。透過機器學習技術，如邏輯回歸和深度神經網絡，臨床決策支持系統（ML-CDSSs）展現出改善抗生素處方的潛力。根據PubMed的研究，抗生素處方過程複雜，ML-CDSSs能正面影響臨床結果，但仍面臨挑戰，包括訓練數據透明度、黑箱模型的解釋需求，以及法律與倫理框架的建立，以確保決策責任。 PubMed DOI

噬菌體（phages）是微生物社群中重要但尚未完全了解的成分，因為它們需要細菌宿主來繁殖，能反映生態系統特徵和環境壓力。高通量測序技術已揭示噬菌體族群的多樣性，但病毒基因組的多樣性使得許多基因缺乏適當註解，限制了我們的理解。為了有效應用噬菌體於人類和環境健康，需發展新方法來組織和註解病毒序列。最近在自我監督學習方面的進展顯示出增強病毒蛋白同源性檢測的潛力，特別是在海洋病毒組的研究中。這篇綜述探討了大型語言模型在病毒註解中的潛力與挑戰，強調創新方法的重要性。 PubMed DOI

流感疫苗效果（VE）的估算對公共健康非常重要，能幫助評估疫苗接種的影響並指導政策調整。不過，目前的估算方法面臨人口代表性不足、選擇偏差和報告延遲等挑戰。我們建議結合大型語言模型（LLMs）和少量示例的思考鏈（CoT）提示，分析社交媒體數據以進行即時VE估算。研究顯示，透過標註4,000多條推文，我們的提示策略在識別疫苗接種狀態和測試結果方面表現優異，為即時監測提供了有效工具，補充了現有流行病學方法。 PubMed DOI

這篇研究用MAMMAL AI模型，僅靠序列資料就能準確預測抗體和流感HA抗原的結合及阻斷效果。模型對已知抗體和抗原表現優異（AUROC ≥ 0.91），對新抗原也不錯（AUROC 0.9），但遇到全新抗體時準確度會下降。這顯示AI有助於抗體篩選，但還需要更多元的抗體資料來提升預測新抗體的能力。 PubMed DOI

這篇論文提出MIFlu新方法，把流感數據和文字情境結合，並用大型語言模型來預測流感。結果顯示，這種做法預測準確率比傳統方法高出26.2%，證明結合專業知識和情境資訊對疾病預測很有幫助。 PubMed DOI

這篇論文回顧AI，特別是大型語言模型在中醫診斷的應用，整理了機器學習在中醫影像、文字、波形等資料上的進展，並分析LLMs的最新應用。文中也討論AI導入中醫的機會與挑戰，期望為未來研究和智慧中醫診斷技術融入醫療體系提供參考。 PubMed DOI

研究團隊開發了BERT-infect模型，專門用來預測哪些病毒可能感染人類，準確度比以往高，特別對過去較少研究的病毒也有好表現。即使病毒基因序列不完整，模型也能運作。不過，目前還難以精確辨識像SARS-CoV-2這類特定病毒的風險，顯示機器學習在預測新興人畜共通傳染病上，還有不少挑戰要解決。 PubMed DOI

大型語言模型正改變基因體醫療，能快速分析文獻和基因資料，提升診斷與治療建議的精準度。雖然還有挑戰待克服，但隨著技術進步和跨領域合作，未來 AI 將成為臨床基因體分析的主流工具，推動個人化醫療發展。 PubMed DOI

PandemicLLM 是新一代疫情預測框架，把疾病傳播預測當成文字推理問題來解決。它結合即時多元資料（如防疫政策、基因監測、時序數據），透過 AI 與人類協作提示提升預測準確度。實測美國各州 COVID-19 資料，表現優於現有模型，能整合複雜非數值資訊，讓疫情預測更精準。 PubMed DOI

這篇綜述介紹先進AI技術（如機器學習、深度學習、大型語言模型）如何應用在傳統醫學，提升診斷準確度、藥物研發效率及病患照護。作者希望促進AI與傳統醫學的合作，推動醫療創新，帶來更好的健康成果。 PubMed DOI