█ 腦科學動態

AI與生物信號結合，開發更精確的疼痛評估系統

θ相進動有助于人類情景記憶的形成與檢索

3D 小鼠大腦圖譜提供了更動態的 360 度發育圖

在家使用經顱直流電刺激治療抑郁癥，也能安全有效

恐懼記憶隨時間演變的機制或為 PTSD 治療提供新思路

阿爾茨海默病可能在兩個階段損害大腦

PLD3 和 PLD4 酶揭示 BMP 合成機制，助力神經退行性疾病研究

█ AI行業動態

蘋果AI競賽失利？內部員工揭露落后兩年

Gemini并入DeepMind，谷歌重組AI團隊

Newton AI模型：自主發現物理規律的AI基礎模型

Meta FAIR發布新一代AI工具，推動開源與可重復性研究

微軟率先推出自動化代理工具

█ AI研發動態

無監督學習對人類和機器的影響

人工智能有望提高醫院質量報告效率

革命性AI助力癌癥診斷，精準度達96%

罕見病新希望：哈佛AI模型助力發現17000種治療藥物

大語言模型在醫療診斷中易受認知偏差影響

腦科學動態

AI與生物信號結合，開發更精確的疼痛評估系統

東北大學的研究團隊正在致力于開發一種基于生理信號和人工智能技術的疼痛客觀測量工具。受其個人經歷啟發，研究人員希望通過科學方法解決傳統疼痛評分系統的不精確性，特別是針對無法清晰表達疼痛的患者群體。該研究團隊包括機械工程專家和醫院的患者安全總監，致力于探索在臨床和家庭環境中應用的潛力。

研究人員通過多種實驗手段，客觀測量疼痛。參與者接受了如針刺和冰水浸手等實驗，在此過程中，團隊使用傳感器記錄參與者的心率、呼吸、肌肉運動及腦電波等生理信號，這些信號通過機器學習算法處理并生成疼痛評分。為了確保臨床環境中的實用性，研究人員嘗試了多種信號組合，以確定最佳的疼痛指示器。該團隊的研究結果表明，不同生理信號之間的結合（如腦電圖EEG和皮膚電導）能夠為疼痛提供可靠的量化評估，有望改善疼痛管理，尤其是對嬰兒、麻醉患者等無法主觀表達疼痛的群體。林教授預計未來幾年將進一步推動該研究的商業應用，以開發適用于家庭的慢性疼痛監測設備。研究發表在 Nature 上。

#神經技術 #疼痛管理 #人工智能 #生理信號 #機器學習

閱讀論文：

Dolgin, Elie. “How a ‘Pain-o-Meter’ Could Improve Treatments.” Nature, vol. 633, no. 8031, Sept. 2024, pp. S26–27. www.nature.com, https://doi.org/10.1038/d41586-024-03003-2

θ相位進動有助于人類情景記憶的形成與檢索

加州大學戴維斯分校、哈佛醫學院、多倫多西部醫院和雪松-西奈醫學中心的研究人員開展了一項實驗，旨在驗證θ相位進動（theta phase precession）在記憶形成與檢索中的作用。這一概念早在動物研究中得到了提示，但在以往的人類研究中尚未得到實驗證實。

研究團隊招募了22名參與者，通過記錄他們在觀看和回憶電影片段時內側顳葉中的單神經元活動和局部場電位，分析了θ相位進動的作用。實驗中的電影片段經過設計，包含情境轉換（即事件邊界）。參與者觀看這些片段后，被要求回憶片段中的事件及其順序。結果表明，θ相位進動出現在情境轉換時，并且這種神經現象與記憶檢索中的表現息息相關。

θ相位進動指的是神經元相對于腦中θ波振蕩逐漸提前放電的現象。這種現象不僅在觀看電影時出現，還在回憶階段持續。研究團隊進一步發現，θ相位進動的強度能夠預測參與者在回憶事件順序時的準確性。此次研究首次在人類實驗中證實了θ相位進動在情景記憶形成和檢索中的關鍵作用，拓展了神經科學領域對記憶機制的理解。研究發表在 Nature Human Behaviour 上。

#神經科學 #情景記憶 #θ相進動 #神經元 #記憶檢索

閱讀論文：

Zheng, Jie, et al. “Theta Phase Precession Supports Memory Formation and Retrieval of Naturalistic Experience in Humans.” Nature Human Behaviour, Oct. 2024, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41562-024-01983-9

3D 小鼠大腦圖譜提供了更動態的 360 度發育圖

賓夕法尼亞州立大學醫學院與其他五個研究機構合作，研究團隊由Yongsoo Kim教授領導，他們致力于開發一個發育中小鼠大腦的3D參考圖譜。該圖譜提供了一個標準的空間框架，用于研究大腦的發育過程，特別是神經發育障礙的成因和表現。

研究團隊利用核磁共振成像（MRI）和光片熒光顯微鏡技術，構建了一個跨越胚胎和出生后不同時期的小鼠大腦3D圖譜（DevCCF）。這一圖譜覆蓋了從胚胎11.5天（E11.5）到出生后56天（P56）的七個關鍵時間點，并通過高分辨率成像技術生成未失真的大腦模板。為了驗證該圖譜的應用，研究人員聚焦于與精神分裂癥、孤獨癥等疾病相關的GABA能神經元，揭示了這些神經元在胚胎大腦中的出現與發展過程。該研究還將來自Allen腦圖譜和空間轉錄組的細胞類型數據映射到了P56圖譜中。這一資源現已通過網絡平臺公開，旨在降低技術壁壘，促進全球神經科學領域的數據整合與合作。該研究為利用機器學習和人工智能推動大腦研究的下一階段奠定了基礎。研究發表在 Nature Communications 上。

#神經技術 #小鼠大腦發育 #GABA能神經元 #3D圖譜 #大腦成像技術

閱讀論文：

Kronman, Fae N., et al. “Developmental Mouse Brain Common Coordinate Framework.” Nature Communications, vol. 15, no. 1, Oct. 2024, p. 9072. www.nature.com, https://doi.org/10.1038/s41467-024-53254-w

在家使用經顱直流電刺激治療抑郁癥，也能安全有效

德克薩斯大學休斯頓健康科學中心、倫敦國王學院和東倫敦大學的研究團隊聯合開展了一項國際研究，評估在家使用經顱直流電刺激（tDCS）設備治療抑郁癥的安全性和有效性。該研究由 Rodrigo Machado-Vieira 和 Cynthia Fu 領導，研究成果為那些對傳統藥物治療不適應的患者提供了新的可能。

該研究是一項隨機、雙盲、安慰劑對照的多地點試驗，共有174名中度至重度抑郁癥患者參與。參與者被隨機分配至主動tDCS組或假治療組。tDCS設備通過兩個電極施加微弱的直流電流，刺激大腦的左背外側前額皮質和右背外側前額皮質區域（2 mA），每次治療持續30分鐘。為期10周的治療顯示，主動治療組的患者在漢密爾頓抑郁評定量表上的分數顯著下降，平均改善9.41分，而假治療組僅改善7.14分。研究結果證明，家庭tDCS治療在安全性和療效方面具有高度可接受性。這項技術為中重度抑郁癥患者提供了新的、低副作用的治療選擇，特別適合那些難以獲得常規治療的患者。研究發表在 Nature Medicine 上。

#大腦健康 #抑郁癥 #經顱直流電刺激 #神經技術 #遠程治療

閱讀論文：

Woodham, Rachel D., et al. “Home-Based Transcranial Direct Current Stimulation Treatment for Major Depressive Disorder: A Fully Remote Phase 2 Randomized Sham-Controlled Trial.” Nature Medicine, Oct. 2024, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41591-024-03305-y

恐懼記憶隨時間演變的機制或為 PTSD 治療提供新思路

本項研究由索尼計算機科學實驗室、ATR 計算神經科學實驗室和東京大學的研究人員共同完成，研究探討了恐懼記憶的形成和演變機制，研究團隊由 Dr. Aurelio Cortese 和 Dr. Ai Koizumi 領銜，揭示了大腦如何在創傷后優先處理聯想記憶，并通過時間的推移整合情景記憶。

研究人員使用功能磁共振成像（fMRI）和機器學習算法跟蹤參與者在模擬威脅事件中的大腦活動。實驗設計通過一種新的情景威脅調節范式，讓參與者同時形成兩種記憶表征：提示聯想和事件順序。研究發現，恐懼記憶最初依賴聯想記憶，這種記憶覆蓋范圍廣，未受事件順序的限制。然而，在事件發生后的第二天，背外側前額葉皮層逐漸接管記憶的調節，將事件按時間順序進行整合，使得恐懼的范圍減小。對于焦慮程度較高的人群，這種記憶的整合能力較弱，提示他們在創傷后更容易形成持續的恐懼反應。這一發現為創傷后應激障礙（PTSD）的治療提供了新的思路，未來干預措施可能會專注于加強情景記憶的整合能力，幫助患者減少創傷后的過度恐懼。研究成果發表在 Nature Communications 上。

#神經技術 #創傷后應激障礙 #恐懼記憶 #情景記憶

閱讀論文：

Cortese, Aurelio, et al. “Time-Dependent Neural Arbitration between Cue Associative and Episodic Fear Memories.” Nature Communications, vol. 15, no. 1, Oct. 2024, p. 8706. www.nature.com, https://doi.org/10.1038/s41467-024-52733-4

阿爾茨海默病可能在兩個階段損害大腦

阿爾茨海默病作為老年人癡呆的主要原因，如何損害大腦一直是科學界的重大難題。由美國國立衛生研究院（NIH）和西雅圖艾倫研究所的Mariano I. Gabitto和Kyle J. Travaglini帶領的研究團隊，使用了BRAIN Initiative的創新技術，研究了阿爾茨海默病在大腦不同階段的影響，揭示了疾病的兩階段損害模型。

該研究通過多組學（multiomics）、空間基因組學（spatial genomics）等先進工具，分析了84位患有不同阿爾茨海默病病理的捐贈者的大腦樣本。這些捐贈者包括33名男性和51名女性，平均死亡年齡為88歲。研究團隊對中顳回（middle temporal gyrus）區域的細胞類型進行詳細研究，發現該區域的神經元在疾病的不同階段表現出不同的變化。早期階段，病理增加較為緩慢，炎癥性小膠質細胞、反應性星形膠質細胞的活躍，以及抑制性神經元如生長抑素+（somatostatin+）神經元的喪失都與疾病進展相關。隨著疾病進入晚期，病理增長顯著加速，興奮性神經元和其他類型抑制性神經元的損失逐漸加重。這些發現不僅在其他阿爾茨海默病研究中得到了驗證，還為未來的治療方向提供了新的啟示。該研究發表在 Nature Neuroscience 雜志上。

#大腦健康 #阿爾茨海默病 #神經技術 #細胞分析 #病理研究

閱讀論文：

Gabitto, Mariano I., et al. “Integrated Multimodal Cell Atlas of Alzheimer’s Disease.” Nature Neuroscience, Oct. 2024, pp. 1–18. www.nature.com, https://doi.org/10.1038/s41593-024-01774-5

PLD3 和 PLD4 酶揭示 BMP 合成機制，助力神經退行性疾病研究

霍華德休斯醫學研究所的Tobias Walther 和 Robert Farese領導的研究團隊，揭示了調節大腦脂質水平的關鍵酶 PLD3 和 PLD4 及其在神經退行性疾病中的作用，可能為額顳葉癡呆（FTD）和阿爾茨海默病的治療帶來突破。

研究團隊通過一系列實驗發現，雙（單酰基甘油）磷酸酯（BMP）是大腦中負責脂質降解的關鍵磷脂，而 PLD3 和 PLD4 酶在 BMP 的合成中起到重要作用。研究通過刪除小鼠體內的 PLD3 或 PLD4 酶，證實了這些酶的缺失會導致神經節苷脂（gangliosides，一種與神經退行性疾病相關的脂質）在腦內堆積，進而引發神經退行性病變。特別是，研究發現 PLD3 的突變不僅與脊髓小腦共濟失調等罕見病相關，還增加了阿爾茨海默病的風險。BMP 的獨特 S,S 立體化學構象賦予其穩定性，使其能夠在溶酶體中維持脂質的正常降解。該研究揭示了 PLD3 和 PLD4 在 BMP 合成中的催化作用，為未來的神經退行性疾病治療提供了新的方向。該研究發表在 Cell 上。

#大腦健康 #脂質代謝 #神經退行性疾病 #PLD酶 #神經節苷脂

閱讀論文：

Singh, Shubham, et al. “PLD3 and PLD4 Synthesize S,S-BMP, a Key Phospholipid Enabling Lipid Degradation in Lysosomes.” bioRxiv: The Preprint Server for Biology, Mar. 2024, p. 2024.03.21.586175. PubMed, https://doi.org/10.1101/2024.03.21.586175

AI 行業動態

蘋果AI競賽失利？內部員工揭露落后兩年

蘋果近期推出了新款 iPad mini，但這并未掩蓋其在人工智能領域的落后問題。根據彭博社記者 Mark Gurman 的報道，蘋果內部員工透露，公司的生成式AI技術與行業領先公司相比，落后兩年以上。這一消息引發了廣泛討論，許多人質疑蘋果在AI賽道上的競爭力。

據報道，蘋果的內部研究顯示，OpenAI 的 ChatGPT 在準確性上領先蘋果的 Siri 25%，并能回答更多的問題。此外，蘋果的生成式AI技術目前落后于包括 Alphabet（谷歌）、Meta 和微軟等公司。Gurman 指出，雖然蘋果新款 iPhone 銷售可能依賴于其他因素，但AI并非其核心競爭力。

盡管如此，蘋果的資源優勢依然不容忽視。該公司可以通過合作或收購來彌補技術差距，且擁有龐大的用戶基礎和推送新功能的能力。未來，蘋果是否能在AI競賽中趕上競爭對手，仍需觀察。

#蘋果 #生成式AI #Siri #AI競賽 #MarkGurman

閱讀更多：

https://www.bloomberg.com/news/newsletters/2024-10-20/apple-s-latest-ipad-mini-highlights-ai-advantage-sonos-considers-new-headphones-m2hkz4mn

Gemini并入DeepMind，谷歌重組AI團隊

谷歌近期宣布了一項重要調整，將其AI產品線的Gemini團隊并入Google DeepMind，進一步整合人工智能研發力量。據悉，此次調整將于下個月開始生效。Gemini團隊原本負責谷歌AI面向消費者的應用，而DeepMind由知名研究人員Demis Hassabis領導，主攻通用人工智能系統的開發。

這一變化同時伴隨著谷歌高層的調整。Google原搜索和廣告產品負責人Prabhakar Raghavan卸任，接任者是谷歌資深高管Nick Fox。Fox自2003年起就在Google工作，此次升任體現了公司對他在AI戰略中的信任。

谷歌過去半年一直在整合其AI團隊，目標是提升Gemini模型的性能，以在競爭中超越OpenAI和Anthropic等公司。今年早些時候，谷歌已經將Google Brain與DeepMind合并，而現在再將Gemini團隊納入，旨在通過資源整合促進AI技術的創新。Gemini模型自推出以來已經迭代至1.5 Pro版本，具備處理多模態數據的能力，這次整合有望進一步提升其技術能力。

Hassabis在此前的采訪中透露，谷歌希望借助這次整合創造新的突破，尤其是在多模態AI和通用人工智能領域。

#Google #Gemini #DeepMind #AI整合 #人工智能

閱讀更多：

https://www.bloomberg.com/news/articles/2024-10-17/google-adds-gemini-team-to-deepmind-continuing-ai-consolidation

Newton AI模型：自主發現物理規律的AI基礎模型

Archetype AI團隊近日推出了一項創新人工智能平臺Newton?，這是一種能夠通過實時傳感器數據（如雷達、攝像頭、加速度計、溫度傳感器等）自主發現物理規律的基礎模型。不同于傳統的AI，Newton模型不依賴預設的物理定律（如能量守恒定律），而是通過分析傳感器數據自行推導出物理現象，展現了AI理解物理世界的新路徑。

Newton的最大亮點在于其“零次預測”能力。通過處理從未接觸過的物理系統數據，模型可以預測復雜系統的未來行為，例如城市電力需求或工業設備的溫度變化。這種不需要提前學習具體物理知識的特性使其具備廣泛的跨領域應用潛力。

該模型基于超過5.9億條開源物理數據樣本預訓練，涵蓋了從流體流動到光學現象等多種物理過程。通過自主學習，Newton展示了超越傳統AI模型的泛化能力，為能源管理、工業控制等領域帶來了巨大的應用前景。

#NewtonAI #自主學習 #物理規律 #零次預測 #傳感器數據

閱讀更多：

https://cdn.prod.website-files.com/669fb9b0365257a2d64b9744/671062d53917e78989931495_Phenomenological%20AI%20Foundation%20Model%202024.pdf

Meta FAIR發布新一代AI工具，推動開源與可重復性研究

Meta基礎人工智能研究團隊（Meta FAIR）于2024年10月18日發布了一系列新的研究成果，包括更新后的Segment Anything Model 2.1（SAM 2.1）和Meta Spirit LM等，旨在實現高級機器智能（Advanced Machine Intelligence, AMI）并推動開源與科學研究的可重復性。此次發布的SAM 2.1不僅改進了遮擋處理能力，還通過增強數據增強技術提升了模型的精度。此外，Meta Spirit LM是一種新型多模態語言模型，可以自然地混合語音和文本，提升了語音生成的表達能力。

此次發布還涵蓋了提升大型語言模型性能的Layer Skip技術，及應用于后量子密碼學驗證的SALSA工具。Meta希望通過這些開源工具，激發研究社區的創新，推動AI技術在多個領域的進步，包括無機材料發現、語音與文本集成等。

這些工具的開放性不僅有助于加速AI領域的研究進展，還進一步驗證了Meta在實現AMI以及支持全球AI社區合作方面的承諾。Meta期望這些工具能為未來的技術發展帶來更多可能性。

#Meta #SegmentAnything #AI #機器智能 #開源

閱讀更多：

https://github.com/facebookresearch/spiritlm

微軟率先推出自動化代理工具，搶占市場先機

微軟近日發布了其最新的自動化代理工具Copilot Studio，領先于Anthropic。這款工具允許用戶創建、管理和連接完全由人工智能驅動的自動化代理，能夠代表個人、團隊或職能部門執行并協調業務流程。用戶無需手動操作，即可讓這些代理處理復雜的任務。

Unilever、Clifford Chance、McKinsey & Company、Pets at Home和Thomson Reuters等知名公司，已經開始使用Copilot Studio服務，來提升他們的營銷能力、個人合規代理以及防欺詐系統。此外，微軟還將在Dynamics 365中新增十個自動化代理，幫助銷售、服務、財務和供應鏈團隊提高工作效率。

通過這一舉措，微軟展示了其在企業自動化解決方案領域的技術優勢，有望為各行業的數字化轉型提供強大的推動力。

#微軟 #自動化代理 #CopilotStudio #Dynamics365 #企業數字化

閱讀更多：

https://x.com/Prashant_1722/status/1848339259545244074

AI 研發動態

無監督學習對人類和機器的影響

馬克斯·普朗克學會的神經科學家Franziska Br?ker領導的研究，著眼于無監督學習在人類和機器學習中的影響。該團隊探討了當缺乏外部反饋時，人類和機器如何自我強化他們的預測，并揭示了這一過程對學習進展的影響。

研究通過對多領域的學習現象進行觀察和分析，發現人類和機器在無反饋情況下的學習效果取決于內在預測與實際任務的吻合度。當預測準確時，學習者能夠更好地理解和處理新信息，表現出顯著的進步；但當預測不準確時，錯誤的自我強化機制可能使學習者陷入錯誤的循環。這一現象在包括動物識別、語言學習以及運動技能等領域中都有所體現。

研究指出，盡管無監督學習在某些簡單任務中可能有效，但在復雜任務（如語言規則或運動技能）中，外部反饋仍然是不可或缺的，尤其是在初期階段。此外，研究揭示了自我強化機制在無監督學習中的重要性，強調了在不同情境下，初始理解與任務的匹配程度如何決定學習的成敗。研究的成果為未來的教學設計和終身學習提供了新的啟示。研究發表在 Trends in Cognitive Sciences 上。

#認知科學 #無監督學習 #自我強化 #學習機制 #反饋作用

閱讀更多：

Br?ker, Franziska, et al. “Demystifying Unsupervised Learning: How It Helps and Hurts.” Trends in Cognitive Sciences, vol. 0, no. 0, Sept. 2024. www.cell.com, https://doi.org/10.1016/j.tics.2024.09.005

人工智能有望提高醫院質量報告效率

隨著醫療系統對質量報告的依賴增加，醫院需要更高效、準確的方式進行數據處理。加州大學圣地亞哥分校醫學院的研究團隊與瓊和歐文雅各布斯健康創新中心（JCHI）合作，開發了一項試點研究，旨在驗證大型語言模型（LLMs）在醫院質量報告中的應用潛力。研究由Aaron Boussina博士后領導，參與者還包括Shamim Nemati等人。

該研究通過讓LLM系統處理2022年加州大學圣地亞哥健康中心手動報告的100個嚴重敗血癥和敗血性休克管理包（SEP-1）樣本，驗證了其在質量抽象中的有效性。傳統的SEP-1處理方法需要耗費數周的時間，涉及63個步驟的細致評估，而LLM系統能夠在幾秒鐘內完成相同任務，并且與手動報告結果達成了90%的一致性（κ=0.82）。專家審查發現，LLM系統在一些不一致的病例中，表現優于人工處理，進一步表明LLMs可以幫助減少醫院質量報告中的錯誤和資源消耗。這項研究不僅降低了行政成本，還提升了質量評估的實時性和可靠性，展示了LLM在醫療保健領域的巨大潛力。研究發表在 NEJM AI 上。

#大腦健康 #人工智能 #醫院質量 #大型語言模型 #醫療創新

閱讀更多：

Boussina, Aaron, et al. “Large Language Models for More Efficient Reporting of Hospital Quality Measures.” NEJM AI, vol. 0, no. 0, Oct. 2024, p. AIcs2400420. ai.nejm.org (Atypon), https://doi.org/10.1056/AIcs2400420

革命性AI助力癌癥診斷，精準度達96%

哈佛醫學院的研究人員開發了一種名為CHIEF（Clinical Histopathology Imaging Evaluation Foundation）的多功能人工智能模型，能夠診斷多種癌癥并預測患者的治療結果，其準確率達到了96%。這一系統不僅可以檢測癌細胞，還能預測腫瘤的分子特征，并預測患者的生存情況，遠超現有的AI模型。CHIEF的靈活性類似于ChatGPT，通過分析19種癌癥類型的組織切片，該系統可輔助醫生做出更準確的診斷和治療決策。

CHIEF是首個在全球多個患者群體中驗證患者預后的人工智能模型，能夠準確識別腫瘤微環境中的細胞特征，進而預測患者對手術、化療、放療和免疫療法的反應。研究人員指出，該模型不僅提高了癌癥診斷的效率，還具備發現新的腫瘤特征的潛力。通過快速識別圖像中的基因異常，CHIEF有望為臨床醫生提供一種快速且經濟有效的替代方案，填補現有基因組測序的空白。

研究團隊的負責人Kun-Hsing Yu表示，CHIEF在多個癌癥類型中的表現令人印象深刻，有望在全球范圍內廣泛應用，特別是幫助那些無法獲得高級醫療資源的地區。該研究發表于 Nature 上。

#癌癥診斷 #人工智能 #腫瘤預測 #癌癥治療 #哈佛醫學院

閱讀更多：

Wang, Xiyue, et al. “A Pathology Foundation Model for Cancer Diagnosis and Prognosis Prediction.” Nature, Sept. 2024, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-024-07894-z

罕見病新希望：哈佛AI模型助力發現17000種治療藥物

哈佛醫學院研究團隊近期發布了一項重大突破，他們與合作者共同開發了一款名為TxGNN的人工智能（AI）模型，專門用于識別罕見疾病和無藥可治病癥的候選藥物。這款基于圖神經網絡（GNN）的模型已從現有藥物中篩選出超過17000種疾病的潛在治療藥物，展示了藥物再利用的新潛力。

罕見病患者面臨著藥物短缺的困境，傳統藥物開發周期長且成本高昂，而TxGNN通過嵌入醫學知識圖譜，能夠在現有藥物和疾病的復雜關系中找到潛在的治療方法。與其他方法相比，TxGNN的候選藥物識別能力提升近50%，禁忌癥預測的準確率也高出35%。

此外，TxGNN特別設計了一個解釋模塊，能夠展示藥物與疾病之間的潛在聯系，讓醫生和研究人員追溯預測的科學依據。這一功能極大提高了模型在醫學應用中的可信度。

TxGNN的開發為罕見病藥物發現帶來了革命性突破，尤其是在超過95%罕見病無現有治療藥物的情況下，為未來加速藥物開發提供了新的方向。研究發表在 Nature Medicine 上。

#人工智能 #罕見病 #藥物再利用 #哈佛醫學院 #TxGNN

閱讀更多：

Huang, Kexin, et al. “A Foundation Model for Clinician-Centered Drug Repurposing.” Nature Medicine, Sept. 2024, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41591-024-03233-x

大語言模型在醫療診斷中易受認知偏差影響

由于醫療領域的認知偏差常常導致診斷和決策錯誤，研究團隊希望通過改進大語言模型（LLMs）來幫助解決這一問題。該團隊來自哈佛大學醫學院和麻省理工學院的研究人員，專注于如何提高 LLMs 在醫療場景下的魯棒性，特別是在面對真實世界復雜互動的場景時，減少認知偏差對決策的影響。

研究團隊開發了一個名為 BiasMedQA 的數據集，包含 1273 個從美國醫療執照考試（USMLE）問題中修改的問題，以模擬常見的臨床認知偏差。這些偏差包括確認偏差、錨定偏差和現狀偏見等。研究測試了 6 個大型語言模型（LLMs），包括 GPT-4 和 Llama 2 70B-chat。結果顯示，盡管 GPT-4 在抵御這些偏差方面表現較好，其準確率相對保持穩定，但 Llama 2 70B-chat 和 PMC Llama 13B 的表現大幅下降，出現了 10% 到 26% 的準確性下降。

此外，研究還提出了三種減少認知偏差影響的策略，盡管這些策略提高了模型的準確性，但仍未能完全恢復其準確性。研究結果表明，LLMs 在實際臨床應用中的表現可能會比標準化考試中的表現更差，需要進一步提高其對認知偏差的魯棒性。此研究發表在 Npj Digital Medicine 上。

#神經技術 #認知偏差 #醫療語言模型 #偏差緩解 #診斷準確性

閱讀更多：

Schmidgall, Samuel, et al. “Evaluation and Mitigation of Cognitive Biases in Medical Language Models.” Npj Digital Medicine, vol. 7, no. 1, Oct. 2024, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41746-024-01283-6

整理｜ChatGPT

編輯｜丹雀、1900、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或添加小助手微信questionlab，加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute, TCCl）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

TCCI與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了TCCI加州理工神經科學研究院。

TCCI建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、中文媒體追問等。