生命科學領域的出版物數量不斷增加，特別是在RNA科學方面，這對策展人來說是一大挑戰。為了解決時間不足的問題，本研究探討利用大型語言模型（LLMs）自動生成與非編碼RNA（ncRNAs）相關的高品質摘要。研究結果顯示，透過適當的提示和驗證，LLMs能產生準確的摘要並附上參考文獻。經手動評估後，這些摘要的質量相當高，已應用於超過4,600種ncRNAs，並可透過RNAcentral資源訪問。這表明自動文獻摘要是一個可行的解決方案。欲了解更多，請訪問RNAcentral網站：https://rnacentral.org/。 PubMed DOI

這篇文章探討大型語言模型（LLMs）在放射學的應用潛力，強調優化互動技術以獲得可靠結果的重要性。主要內容包括： 1. **提示工程**：設計精確的提示能提升LLMs的回應質量，讓其更符合放射學任務需求。 2. **零樣本與少樣本學習**：這些技術讓LLMs在不需大量再訓練的情況下，能適應特定放射學情境。 3. **檢索增強生成（RAG）**：將最新的領域資訊整合進LLMs，幫助生成更準確且具上下文的內容。 文章建議放射科醫生採用這些技術，以提升病患護理和檢查效率。 PubMed DOI

這項研究評估大型語言模型（LLMs）在生成臨床試驗計畫書的有效性。研究人員使用LLM生成不同疾病和試驗階段的計畫書，並根據臨床思維、透明度、醫學術語和內容相關性四個標準進行評估。結果顯示，LLM在內容相關性和術語方面表現良好，但在臨床思維和透明度上則較差。為提升表現，研究人員採用檢索增強生成（RAG）方法，顯著改善了內容質量，提升了臨床思維和透明度的分數。這表明RAG方法能有效提升LLM在臨床試驗文件撰寫的可用性，並可能改變藥物開發過程。 PubMed DOI

大型語言模型（LLMs），像是ChatGPT，已經徹底改變了學術界的科學寫作與研究，提供了全方位的支援。生成式人工智慧（GAI）工具在假設形成、方法設計、數據分析到手稿準備等各階段都有所改善。這篇評論專注於LLMs在血液學研究中的應用，特別提到提示工程和檢索增強生成（RAG）框架等技術。這些技術能幫助研究人員創造更準確的內容，並降低錯誤資訊的風險。儘管GAI工具提升了研究質量，但也強調了科學誠信、倫理考量及隱私保護的重要性。 PubMed DOI

大型語言模型（LLMs）大幅提升了臨床自然語言生成（NLG）的能力，為處理醫療文本提供了新方法。不過，將這些模型應用於醫療環境前，必須進行全面評估，以確保其可靠性與有效性。我們的回顧探討了現有NLG在醫療領域的評估指標，並提出一種未來的方法，旨在減少專家評估的限制，平衡資源效率與人類判斷的一致性，確保生成內容符合臨床高標準。 PubMed DOI

生命科學文獻量暴增，人工整理越來越吃力。這項研究用大型語言模型（LLMs）自動產生高品質、正確又有參考文獻的非編碼RNA（ncRNA）摘要，大多數都獲得專家好評。總共產出超過4,600篇摘要，已公開在RNAcentral。結果證明，只要設計好提示並自動檢查，現有LLMs就能自動化文獻摘要整理。 PubMed DOI

這項研究探討如何用 Llama 3.1-8B 這類大型語言模型，從澳洲長照機構的護理紀錄中擷取失智症患者的躁動行為和營養不良風險資訊。結果發現，少樣本學習比零樣本學習好，PEFT 技術能提升兩者表現，RAG 只對少樣本有幫助。最佳組合是少樣本加 RAG，但零樣本加 PEFT 也差不多好，提供臨床資訊擷取的實用參考。 PubMed DOI

本研究提出用大型語言模型（LLM）自動評估AI生成的電子健康紀錄（EHR）摘要，效果和專家評分高度一致，尤其是像GPT-3這類模型。這種方法省時又可靠，有助於確保醫療AI摘要的品質與安全性，適合大規模應用。 PubMed DOI

生命科學文獻量暴增，人工整理越來越困難。本研究證明，只要設計好提示語和檢查流程，大型語言模型就能自動產出高品質、正確引用的非編碼RNA文獻摘要。人工審查也認可這些摘要的品質。這次共產生超過4,600篇摘要，已上架RNAcentral。未來只要做好品質控管，知識庫就能自動化產生文獻摘要。 PubMed DOI

這項研究評估多種大型語言模型，利用提示工程從胃鏡和大腸鏡報告中擷取結構化資訊。結果顯示，大型且專業化的模型在基本資訊擷取表現最好，但遇到複雜推理時仍有限制。少樣本學習對部分模型有幫助，顯示LLMs自動化醫療文本分析有潛力，但還需改進。 PubMed DOI