[!NOTE] 此為演講筆記

Aview 的未來發展方向：從既有 Big 3 量化分析，延伸到更多器官、血管急症、腫瘤 CAD、氣道疾病與多模態報告生成；核心邏輯是先建立穩定可信的影像量化，再把結構化資料累積、搜尋、解讀，最後發展成臨床與病人端的智慧輔助。

• 這套 roadmap 以 「Beyond Big 3」 為主軸，將既有胸部 CT／LDCT 量化能力延伸到更多非傳統目標，包括骨密度與骨折風險篩檢、身體組成分析、主動脈瘤直徑量測與警示、脂肪肝篩檢，以及脊椎神經狹窄的 dural sac 橫截面自動量測；其價值在於把原本附帶於 CT 影像中的資訊轉換成可量化、可追蹤、可臨床使用的風險指標，例如 sarcopenia、代謝風險、steatosis 與骨折風險。
• 在血管與急症領域，系統進一步從篩檢型 LDCT 擴展到 contrast CT、診斷型影像與急症情境，目前研究方向包括肺栓塞疑似區域自動偵測、以肺動脈與心臟結構進行肺高壓風險評估，以及主動脈剝離的 12-zone 自動分類；這代表平台不只做慢性病或篩檢定量，也試圖進入需要快速判讀與優先處理的 emergent territory。
• 目前 R&D 的三大主軸可整理為：
  • 第一是 Detection & CAD，包括 incidental pulmonary nodule CAD 與 lung metastasis CAD
  • 第二是 Robust Quantification，包括 LDCT denoising、kernel harmonization，以及不受 scanner、dose、reconstruction kernel 影響的可重現定量
  • 第三是 Multimodal Model，以影像定量結果作為基礎，進一步支援 multimodal interpretation 與 LLM report drafting。
  • 現階段 bench 上的重點包括 denoising、lung metastasis CAD、airway labeling、mucus-plug detection/scoring，以及 multimodal LLM。
• Robust quantification 的基礎是 LDCT denoising 與 kernel conversion，技術方向包括 MTD-GAN 以及 image-to-image Schrödinger Bridge；目標是讓 LAA、LCS、CAC、body composition 等 quantitative biomarkers 在不同廠牌、不同劑量、不同 reconstruction kernel 下仍保持穩定。這一點很重要，因為若 biomarker 會隨掃描條件大幅波動，臨床上就難以作為可信的追蹤或決策依據；因此 harmonization 是所有 Beyond Big 3 biomarker 的底層骨幹。
• 在 oncology 應用中，lung metastasis CAD 的臨床問題是 metastatic nodules 通常數量多、尺寸小，會增加判讀負擔，也容易漏診；系統目標是自動偵測疑似轉移結節，並在 per-nodule 與 per-patient 層級量化 metastatic status，特別適合用於 chest CT 上新發或變大的轉移結節優先判讀。流程上由 AVIEW CAD 先做 nodule detection，再經由 classification engine 判斷 metastatic status，預期效果是降低 workload 並提高 AUC／sensitivity。
• Lung metastasis CAD 的模型訓練策略採用 large-scale weak-label pretraining 再接 small high-quality strong-label fine-tuning；資料設計包括約 30k 以 radiology report 產生的 weak-label dataset，以及約 3k 的 strong-label dataset。結果顯示 weak-label dataset 可達約 48% workload reduction，strong-label dataset 約 54.2%，而 30k weak-label pretraining 接 3k strong-label fine-tuning 可提升至約 62.2% workload reduction，顯示弱標籤大資料加上高品質標註微調，可能兼顧效率與效能。
• Airway labeling 的方向是建立自動化 airway-tree labeling，對兩側肺部 segmental bronchi 產生 30 個 segment-level labels，作為一致且可重現的解剖參照；目前效能約為 precision 0.99、recall 0.81、F1 0.89（n=27）。這項技術不只是單純標記氣道，而是後續 small-airway quantification、airway-wall quantification、COPD／bronchiectasis phenotyping 的基礎，也會作為 mucus-plug detection 與 scoring 的前處理。
• Mucus plug detection & scoring 則是建立在 airway-tree labeling 之上，用於 COPD、bronchiectasis 與 asthma 的黏液栓自動偵測；scoring 採用 segment-based score，也就是計算含有 mucus plug 的 bronchopulmonary segments 數量。其臨床意義在於 mucus score 可反映 airflow obstruction 與 symptom severity，進一步支援 phenotype 分類與治療反應追蹤；目前模型仍處於 lesion-proposal stage，特徵是 recall 高，但 false positives 尚未完全抑制。
• 多模態 LLM 的定位不是直接取代影像偵測，而是 以可信定量為基礎的報告生成。流程上，task-specific CNN 先負責偵測與量化結構化 findings，VLM 再補充較廣泛的影像觀察，兩者形成 structured findings summary，最後由 LLM 產生 draft report。這樣設計的理由是 VLM 單獨用於偵測仍不可靠，因此必須先由已驗證的 specialist CNN 鎖定關鍵量測與結構化結果，再讓 VLM 補足專門模型無法涵蓋的資訊，最後由 LLM 撰寫報告。
• 整體發展方向可以概括為五個階段：Quantify、Accumulate、Search、Interpret、Assist。第一步是從每一次掃描產生 AVIEW quantitative outputs，並以 denoising 與 harmonization 確保穩定性；第二步是在大規模層級累積結構化資料；第三步利用 content-based image retrieval 搜尋相似病例；第四步讓 multimodal LLM 依據偵測與定量結果輔助報告解讀；第五步則發展 screening-result LLM chatbot，作為病人端支持工具，而非取代醫師。
• 總結而言，這組投影片的核心訊息是：先把 CT 影像轉成可靠、可重現、可累積的定量資料，再在此基礎上發展 CAD、風險評估、相似病例搜尋、報告草稿與病人輔助工具。也就是「quantification first, intelligence on top」：CNN 負責把數字做準，VLM 擴大影像理解範圍，LLM 負責生成報告與溝通介面，而每一步都必須建立在可信的影像量化之上。

[!NOTE] 主要差異

• Railroad Corporation 2 偏公司經營與經濟模擬
• Railway Empire 2 偏大型鐵路網建設與較流暢的物流規劃。

主要差異

Railroad Corporation 2 特別強調財務報表、債券、商品市場、遊說、公司部門，以及手動號誌與路線控制；正式版於 2026 年 2 月推出。Steam Store

Railway Empire 2 則提供兩張橫跨全美國與歐洲的大地圖、60 輛歷史火車、五章 campaign、14 個 scenario，以及自動號誌和簡化的多軌建設。Steam Store

玩起來的實際感受

選 Railroad Corporation 2，若你喜歡

• 思考一條路線究竟有沒有利潤，而不只是能不能運作。
• 操作資產負債、貸款、債券與公司部門。
• 手動解決鐵路壅塞、號誌與路口配置。
• 類似舊版 Railroad Tycoon 的企業經營感。
• 和朋友分別經營公司、互相競爭。

它的缺點是系統較零碎，部分操作不如 Railway Empire 2 直覺；進入後期後，你會花較多時間處理公司管理和列車流量。

選 Railway Empire 2，若你喜歡

• 在大地圖上規劃幹線、支線與大型車站。
• 看城市因物流供應而逐步發展。
• 不想一直手動配置號誌。
• 喜歡漂亮的地圖、火車模型與 ride-along 視角。
• 和朋友共同經營一間公司。

它的缺點是經濟系統相對容易被看透；熟悉供應鏈規則後，後續遊戲可能變成重複擴張，而不是複雜的企業決策。

目前玩家評價

截至 2026 年 7 月：

• Railroad Corporation 2：Steam 約 70% 好評，338 篇購買者評論。
• Railway Empire 2：約 72% 好評，1,914 篇購買者評論。

兩者分數接近，但 Railway Empire 2 的樣本數較大；Railroad Corporation 2 則是較新的作品。Steam Store

我的建議

若你只是想選一款：

• 重視經營深度、財務系統與路線獲利分析：選 Railroad Corporation 2。
• 重視大型鐵路網、建設流暢度與完成度：選 Railway Empire 2。
• 第一次接觸此類型：Railway Empire 2 比較容易進入。
• 已經玩過 Transport Fever、Railroad Tycoon，覺得一般物流遊戲太簡單：Railroad Corporation 2 更值得嘗試。

以「遊戲系統是否能長時間讓人分析與最佳化」而言，我會略偏向 Railroad Corporation 2；以穩定、易玩和視覺呈現而言，則是 Railway Empire 2。

另外，兩款目前在 Steam 都只列出 Windows 版本，沒有原生 macOS 版本。Steam Store

[!NOTE] 賽車是在非線性、不確定且受限的動力系統中，持續求解最短時間軌跡的最佳化問題。

一條理想賽車線大致要滿足：位於賽道邊界內、曲率平順、避免不必要的方向變化，並讓入彎、彎心與出彎連成連續軌跡，同時在多個彎之間做全局取捨。這和參數曲線（如 B-spline）的思路很接近：車手不是逐點決策，而是在腦中形成一條連續路徑。

路線可用參數曲線表示

其曲率

會直接影響能維持的速度：曲率越小、速度越高。在最簡化的摩擦圓模型中，過彎極速大致是

其中 $\mu$ 是摩擦係數、$g$ 是重力加速度。所以路線越能壓低關鍵位置的曲率，理論上過彎速度就越高。

但賽車線不只是找「最圓」或「最短」的曲線：

• 最短距離未必最快
• 最大化單一彎的彎心速度，可能犧牲下一個彎
• 晚頂點增加行駛距離，卻能改善出彎加速
• 排位賽與正賽的最佳路線不同
• 輪胎過熱時，原本最快的線可能不再最優

車手其實是在對多個互相衝突的條件做最佳化，而不是套用一條固定的幾何規則。

嚴格說，這也不是「曲線擬合」，而是「軌跡最佳化」。曲線擬合是先有一組資料點、再找曲線去逼近；但賽車沒有預先給定的正確點，車手是主動選擇路徑、速度、煞車點與油門，本質上是一個以總時間為目標的 optimal control problem：

受限於車輛動態與賽道、摩擦等約束：

其中 $\mathbf{x}(t)$ 是車輛狀態、$\mathbf{u}(t)$ 是控制輸入（方向盤、油門、煞車）、$\theta(t)$ 是外部條件（路面摩擦、輪胎溫度、風向）。真正被最佳化的不只是平面上的 $(x, y)$ 曲線，而是一條高維軌跡

同時包含位置、速度、車身姿態與輪胎狀態。

「混沌系統」是合理的比喻，但技術上略重。賽車確實對初始條件敏感。煞車點差一公尺、輪胎溫度差幾度、或前車尾流，都可能改變整個彎，但這種不可預測性多半來自量測誤差、隨機擾動、對手決策與未建模的動力學，而不是嚴格數學意義上的 chaos。描述成非線性、時變、帶不確定性的系統會更精確。

表示法上，Bézier curve 適合描述平滑形狀，卻不易單獨控制局部曲率。實務上更常用 B-spline，或更貼切的 clothoid（迴旋曲線）——它的曲率隨路徑長度線性變化：

這正好對應車手漸進轉動與回正方向盤的動作，比單純的圓弧更接近真實走線。

大概念：

1. 讓 ChatGPT 寫一個單網頁應用
2. 上傳到 Github repo
3. 設定 Pages 指定到根目錄
4. 獲得一個自己網址的網頁 app

網頁也可以內嵌 Google form 之類的東西。做了一個記錄健身組數數據的，可以匯出成 CSV 歸檔 FuGym。之後如果有一些複雜的問卷也可以用這個方式產出一些可互動的靜態網頁。不過，要怎麼弄快速部署一個安全可靠的動態網頁，還需要研究一下。

• 櫻花大戰系列用櫻戰四作為代表。
• Control 後期難度頗大，但是世界觀設定很完整，場地特效很好
• Metro 系列是我最愛的 FPS 跟末日後劇情設定
• Uncharted 系列是沈浸感最好的冒險遊戲，希望有新引擎再重製
• Max max 世界美麗，劇情一般，但打鬥很爽

推薦六個「可縱向比較」的電影雷達圖維度：

1. 藝術創新度
2. 隱喻與人文深度
3. 運鏡與視覺調度
4. 金句密度
5. 名場面濃度
6. 文化影響力

這些維度既涵蓋美學與技術，又能以可量化或半量化方式評分，方便在多部電影間做垂直排名與趨勢分析。

藝術創新度

• 定義：導演在敘事結構、剪接手法、色彩或聲音設計上的原創與突破程度。
• 為何能比較：可透過影展創新類獎項數、專業影評引用「創新」字樣比例、技術首創紀錄等統計。
• 量化建議：
  • 主要國際影展創新相關獎項×權重
  • 專業評論中「original/innovative」關鍵詞提及率
  • 同期作品採用相似手法的跟進數量

隱喻與人文深度

• 定義：作品呈現的哲學寓意、社會批判或人性探討之層次。
• 為何能比較：學術論文與長篇影評引用次數、主題研討會場次，皆可成為量化基礎。
• 量化建議：
  • Google Scholar 論文引用量（電影名稱＋analysis/metaphor）
  • 影展或學術論壇之專場討論頻率
  • 觀眾問卷「啟發反思」評分平均值

運鏡與視覺調度

• 定義：攝影機運動、取景構圖、色彩分級、燈光與美術設計的精妙程度。
• 為何能比較：可依攝影類獎項、鏡頭多樣性指標（如平均鏡頭長度、複雜移動鏡頭占比）進行客觀評估。
• 量化建議：
  • 國際攝影及美術獎項數量
  • 平均鏡頭長度 (ASL) 與運動鏡頭比例
  • 影像構圖分析工具計算之視覺平衡分數

金句密度

• 定義：對白中被廣泛引用、成為流行語或經典台詞的頻度。
• 為何能比較：可透過 IMDb「Memorable Quotes」條目數、社群媒體引用量或腳本中辨識關鍵句的 NLP 方法量化。
• 量化建議：
  • IMDb/QuoDB 收錄金句數
  • Twitter/X、Threads 每千推文金句提及量
  • 字幕文本中具情感極值與音韻強調之句數

名場面濃度

• 定義：影迷或媒體公認「一看就記得」的視覺或情節瞬間。
• 為何能比較：同樣能以票選結果、YouTube 剪輯播放量、影評統計等方式量化。
• 量化建議：
  • 影迷票選「Top Scenes」入榜次數
  • YouTube「Best Scenes」合集累積觀看量
  • 影評文章中「iconic scene」關鍵詞提及率

文化影響力

• 定義：電影對後續作品、流行文化、社會議題或商業模式的持續影響。
• 為何能比較：票房與授權合作只是起點，更關鍵的是後續引用、致敬與二次創作數。
• 量化建議：
  • 其他影視作品明確致敬或改編次數
  • 周邊商品與跨界合作量級
  • Google Trends 長尾搜尋度及其半衰期

使用方式建議

• 為每軸訂 1–10 分量表和加權規則，以保持跨片一致性。
• 蒐集客觀數據（獎項、引用量）後，輔以專家或觀眾評分，混合定量與定性。
• 以雷達圖呈現單片輪廓，再將多片疊合，比較各年代、導演或類型的強弱特徵。

Only a handful of open mammography sets contain the fine-grain BI-RADS descriptors you are thinking of mining (shape, margin, morphology, distribution, etc.).

• CBIS-DDSM and BCDR explicitly expose them in CSV metadata.
• VinDr-Mammo and RSNA-SMBC stop at breast-level labels (plus lesion boxes in RSNA) – no descriptor columns are present.
• Legacy sets such as INbreast and MIAS provide precise contours or ROI centres, but not the descriptor vocabulary.

What this means for your extraction pipeline

1. Leverage CBIS-DDSM/BCDR for descriptor mining
   Both sets already hold the structured fields you need; you can prototype directly against their CSVs and masks. CBIS-DDSM files mass_case_description_*.csv and calc_case_description_*.csv contain the canonical columns (mass_shape, mass_margin, calc_distribution, calc_type, etc.) in plain text (nature.com).
2. RSNA & VinDr – boxes only
   These large modern FFDM sets are excellent for detection tasks but lack explicit BI-RADS sub-descriptors. If you need them you will have to:
   • train a multi-head model to predict descriptors from the cropped box, or
   • run a semi-automatic labelling pass with experts and add your own columns.
3. INbreast & MIAS – good for segmentation, not semantics
   Polygon accuracy is high, so they are useful for training shape-aware detectors. But because descriptors are missing you cannot harvest shape/margin text without re-reading images.
4. Consider harmonisation early: If you plan to fuse datasets, create an internal schema (e.g., mass_shape_code ∈ {round, oval, irregular, spiculated}, calc_morphology ∈ {amorphous, coarse_het, fine_lin, …}) and map each dataset’s native labels (where present) to it. Fill NULL for RSNA/VinDr rows until your own model or radiologist adds the data.
5. Automatic descriptor inference
   For the descriptor-poor sets you could:
   • fine-tune a vision-transformer on CBIS-DDSM descriptor labels, then apply it to RSNA/VinDr crops (domain shift mitigation needed);
   • or adopt large vision–language models that generate BI-RADS text from an ROI, using CBIS-DDSM/BCDR as supervised prompts.

Practical next steps

• Start with CBIS-DDSM – parse the CSVs and confirm that the descriptors meet your desired granularity.
• Design a unified pandas schema and an extract_descriptors() function that reads whichever columns exist, normalises codes, and stores them in your database.
• For datasets lacking descriptors, plan an active-learning loop: sample uncertain ROIs, have a radiologist label the BI-RADS attributes, retrain, repeat.
• Keep track of licence terms (RSNA and OPTIMAM are research-only; BCDR requires registration).

This approach lets you bootstrap a descriptor-rich corpus quickly and scale it across the larger, descriptor-poor datasets as your model (or annotation budget) matures.

近年來，多項臨床研究和綜合分析探討了以豆類為主要蛋白質來源、搭配蔬菜（特別是深綠色蔬菜、藻類及菇類）、不攝取肉類與精製碳水的飲食模式對於超重/肥胖或代謝症候群高風險成人的影響。這類偏向全食物植物性的飲食被認為有助於改善代謝健康，同時不致對肝臟和腎臟功能造成不良影響。以下將分別說明該飲食模式對肝功能、腎功能，以及體重減輕與代謝指標的影響，並引用近 5 年的臨床試驗和系統性回顧結果加以說明。

對肝臟功能的影響（ALT、AST 等）

多項近期研究顯示，以豆類為蛋白來源且不含紅肉的飲食有助於改善肝臟酵素水平，尤其對非酒精性脂肪肝病（NAFLD）患者的肝功能指標有正面影響：

• 肝酵素明顯下降：一項 2025 年的隨機對照試驗針對超重或肥胖合併代謝相關脂肪肝疾病（MAFLD，亦即 NAFLD）患者，採用限時進食 16:8 結合蛋奶素食(Lacto-Ovo-Vegetarian)的介入方式。經過 12 週介入，結果顯示介入組的肝臟酵素顯著降低：血清丙胺酸轉氨酶（ALT）平均下降 17 U/L，γ-穀氨酸轉移酶（GGT）下降 21 U/L，相較對照組僅有輕微變化，有統計上的顯著差異。同時介入組患者的肝臟脂肪指數亦顯著改善，說明植物性飲食結合限時進食可改善肝臟發炎與脂肪堆積。
• DASH 飲食改善 NAFLD 酵素：Dietary Approaches to Stop Hypertension（DASH）飲食富含蔬果豆類且低脂低糖。一項隨機對照試驗讓 70 位 NAFLD 患者接受卡路里受限的 DASH 飲食或一般健康飲食 12 週，發現 DASH 組的 ALT 與 AST 降幅遠大於對照組（ALT 平均降低 8.5 U/L vs 2.1 U/L；AST 降低 5.8 U/L vs 0.5 U/L，P=0.002）。此外，肝臟纖維化及脂肪變性程度也有較顯著的改善。這說明在等熱量控制下，強調豆類及蔬菜的飲食對肝細胞損傷的改善優於一般均衡飲食。
• 植物性飲食減少肝脂肪堆積：長期試驗亦支持植物性飲食對肝臟的益處。例如一項為期 18 個月的大型臨床試驗比較綠色地中海飲食（以植物蛋白、茶多酚及堅果為特色、完全不含紅肉）與一般健康飲食，結果發現綠色植物性飲食組的肝內脂肪顯著降低，NAFLD 盛行率減半。研究者報告，綠色植物性飲食在減重相近的情況下能額外降低將近 50%的肝臟脂肪，對應的肝酵素和胰島素抗阻情況也較優。這項結果與上例 DASH 飲食相呼應，強調多吃豆類、蔬菜水果以及戒除肉類，有助於改善脂肪肝及降低 ALT/AST。

綜合來看，以豆類為主的植物性飲食能透過減少肝臟脂肪累積與發炎，顯著降低 ALT、AST 等肝指數。對於肥胖及代謝異常者，這類飲食在體重控制下對肝功能的改善效果尤其明顯。

對腎臟功能的影響（BUN、Cr、eGFR 等）

雖然高蛋白飲食有可能增加腎臟負擔，但豆類等植物蛋白對腎功能的影響與動物蛋白不同。近年研究顯示植物性蛋白飲食並不會對腎功能造成不良影響，甚至在某些族群中有助於提升腎過濾功能：

• 一般人群的觀察資料：橫斷面研究顯示，長期素食者的腎功能指標優於雜食者。同樣 BMI 條件下，素食者平均血中尿素氮（BUN）與肌酸酐（Cr）濃度較低，推算腎絲球過濾率（eGFR）較高。在一項對中國健康成人的研究中，素食者調整年齡、性別和體型後，BUN 平均低 0.68 mmol/L，血清肌酐低 2.0 μmol/L，eGFR 則高出約 3.6 mL/min/1.73m²。這暗示植物性飲食可能減輕了腎臟代謝負擔，對腎臟更為友善。
• 肥胖/糖尿病患者的試驗：即使在肥胖或代謝異常患者中，植物性飲食對腎功能依然安全。一項針對第二型糖尿病並使用胰島素治療患者的研究報告，接受全植物性飲食的組別在體重下降的同時，其 BUN 與肌酐比值顯著下降（平均降低 5.1，P < 0.001），而對照組（控制熱量飲食）則無顯著改變。這表示植物蛋白提供的熱量在減重過程中未加重腎臟含氮廢物的負擔，反而可能改善腎臟血流動力學。
• 慢性腎病患者的系統回顧：對於已經有腎功能受損的族群，增加植物性蛋白亦有益處。2023 年一篇系統性回顧納入了 4 項隨機對照試驗（總計 346 名慢性腎病患者），結果發現改採素食飲食可使腎絲球過濾率（eGFR）出現小幅但顯著的上升，其中兩項大型試驗觀察到 eGFR 明顯改善（p=0.01 與 0.001）。另外兩項試驗未見顯著差異，但受試者依從性較低、樣本數較小。整體而言，作者結論素食飲食可延緩腎功能惡化，對腎臟並無不利影響。

歸納以上，以豆類等植物蛋白為主的飲食對腎功能是安全的。在健康及肥胖人群中未見腎功能惡化跡象，反而觀察到較低的 BUN 和肌酐，以及較佳的 eGFR。即便在腎病患者中，適當規劃的植物性低蛋白飲食也能維持甚至改善腎臟過濾功能。因此，對於肥胖或代謝症候群患者而言，以豆類取代紅肉作為蛋白質來源不太可能損傷腎臟。

對體重減輕與代謝參數的效果（BMI、腰圍、血糖、胰島素、血脂等）

豆類為主、富含蔬菜且無精製醣的飲食普遍具有降低體重和改善代謝指標的效果。近年的人體研究提供了強而有力的證據：

• 減重效果：多項隨機試驗顯示，此類植物性飲食有助於顯著的體重減輕。上述 2025 年 TRF 結合蛋奶素的研究中，介入組 12 週減重約 8.1 公斤（約體重的 5%以上），腰圍平均減少 8 公分，明顯優於一般飲食對照組。在另一項以色列進行的 18 個月試驗中，綠色植物性地中海飲食組平均減重超過 6 公斤，也高於對照組的減重幅度。有系統性回顧指出，全植物飲食在肥胖者中可產生顯著的體重和 BMI 下降，並有利於長期體重控制。
• 血糖與胰島素敏感性：高豆類攝取的飲食能改善血糖調控。一項 16 週隨機對照試驗比較傳統 DASH 飲食與強調豆類取代紅肉的 DASH 飲食，對象為超重的第二型糖尿病患者。結果發現，豆類組的空腹血糖及胰島素阻抗指標 HOMA-IR 下降幅度顯著大於對照組。同一研究還發現，兩組皆熱量受限減重，但豆類組的糖化血色素（HbA1c）改善更為明顯。這表明在減重背景下，以豆類為蛋白的飲食能額外增進胰島素敏感性。實際上，植物性飲食因富含纖維和低升糖指數碳水，有助於平穩血糖；有研究總結健康植物性飲食可降低胰島素阻抗並改善葡萄糖恆定。
• 血脂與血壓：透過減少動物脂肪和提供可溶性纖維，豆類與蔬菜為主的飲食有利於血脂控制。在前述新加坡的研究中，雖然介入組與對照組體重減輕幅度相近，但豆類介入組的低密度膽固醇（LDL-C）及總膽固醇降幅比傳統飲食組更大（LDL 降低 0.16 mmol/L；總膽固醇降低 0.3 mmol/L，皆 P<0.05）。同時介入組的高密度膽固醇（HDL）在初期輕微下降後隨時間上升，三酸甘油酯（TG）則明顯下降，均優於對照。此外，另一項研究指出以豆類入菜取代部分精製穀物或紅肉，可使收縮壓額外下降約 3.8 mmHg（該研究對比 DASH 加豆類 vs. 標準 DASH）。總體來說，富豆類植物飲食有助於降低血壓、改善血脂概況（降低總膽固醇、LDL 和 TG，升高 HDL）。
• 發炎及其他代謝指標：肥胖及代謝症候群常合併慢性發炎狀態。植物性飲食因含有多酚、抗氧化營養素以及較健康的脂肪酸組成，被證實可減少體內發炎因子。研究顯示，遵循健康植物性飲食者的高敏 C 反應蛋白（hs-CRP）及趨化因子等發炎介質水準較低。有學者綜述結論：「嚴格全素飲食有效降低體重並減少發炎標誌；而蛋奶素等含抗氧化食物的飲食則有助於改善發炎與血脂，對代謝症候群帶來正向影響」。這些發現與肝酵素改善一起，說明植物性飲食可從多方面逆轉代謝症候群危險因子。

綜合以上證據，以豆類為主的植物性飲食對於需要減重的肥胖或代謝異常者具有明顯的代謝效益。它不僅能促進體重和腰圍下降，還有助於改善血糖控制、提高胰島素敏感性、優化血脂濃度並減輕慢性發炎。值得注意的是，這些益處在進行熱量控制減重時更為突出，但有些研究顯示即使在等熱量情況下僅改變食物種類，豆類蔬菜豐富的飲食也能帶來額外的代謝改善。

近年相關研究總覽

以下列表整理了過去 5 年中數項重點研究的設計與發現，包括研究對象、飲食介入內容、研究期間及主要結果：

1. Shafiee (2025)
   • 對象與期間： MAFLD 肥胖成人，12 週
   • 飲食介入： 16:8 限時進食 + 蛋奶素食（無肉類）
   • 主要結果： 減重約 8.1 kg，ALT 下降 17 U/L，GGT 下降 21 U/L，胰島素、TNF-α 顯著降低，TG 下降 47 mg/dL，HDL 上升 4 mg/dL。肝臟脂肪指數顯著改善，肝健康提升。
2. Hosseinpour-Niazi (2022)
   • 對象與期間： 超重第二型糖尿病患，16 週
   • 飲食介入： 豆類強化的低熱量 DASH 飲食（豆類為主蛋白，少紅肉）
   • 主要結果： 空腹血糖、HOMA-IR 顯著下降，HbA1c 明顯改善；收縮壓輕度下降。顯示豆類取代肉類可額外改善血糖代謝。
3. Wu (2025)
   • 對象與期間： 前糖尿病華裔成人，BMI 約 24，16 週
   • 飲食介入： 豆類為主的多元食物介入（高纖低 GI 澱粉、植物油）對照瘦肉蛋白飲食（雞肉為主）（兩組皆等熱量、均減重~5%）
   • 主要結果： LDL-C 下降更顯著（額外降低 0.16 mmol/L），總膽固醇額外降 0.3 mmol/L，HbA1c 降幅較大。兩組 BMI、腰圍均下降且相近，但植物組有額外血脂和血糖優勢，顯示食物種類的獨立效應。
4. Sangouni (2024)
   • 對象與期間： NAFLD 成人，12 週
   • 飲食介入： 卡路里受限 DASH 飲食（富含蔬菜豆類，全穀、低脂乳）對照等熱量的一般健康飲食
   • 主要結果： 肝臟脂肪與纖維化明顯減輕（超音波分級改善幅度顯著勝出），ALT 減少 8.5 vs 2.1 U/L，AST 減少 5.8 vs 0.5 U/L。兩組均有體重下降約 3–4%，但 DASH 組肝功能改善更突出。
5. Iris Shai (2021)
   • 對象與期間： 多國肥胖/高危成人，18 個月
   • 飲食介入： “綠色”地中海飲食（不含紅肉，增加豆類、堅果、藻類 Mankai 及多酚飲品）對照傳統地中海及一般飲食
   • 主要結果： 平均減重較多（~6.2 kg vs 5.4 kg（Med） vs 1.5 kg（對照）），肝內脂肪顯著下降（NAFLD 發生率減半），LDL 較其他組降低更多。表明長期植物性飲食對體重和肝臟代謝風險具持續益處。

列表：近年探討豆類為主植物性飲食對肥胖/代謝症候群成人影響之研究摘要。

以上研究一致支持，將肉類蛋白替換為豆類並大量攝取蔬菜的飲食策略，對超重或代謝異常成人有多重健康裨益。在控制熱量攝取的前提下，這類飲食能有效促進體重減輕，並改善肝功能指標、腎臟過濾功能及關鍵代謝風險因子（血糖、血脂、血壓等）。尤其是在具有脂肪肝或代謝症候群風險的族群中，豆類為主的植物性飲食不僅達到減重目的，還可額外降低肝脂肪蓄積、減輕慢性發炎並提升胰島素敏感性。總而言之，近 5 年的科學文獻強調了此飲食模式的整體代謝健康效益，同時未發現對肝腎功能有負面影響，為臨床與日常飲食調控提供了有力依據。

[!NOTE] 更新 六月開始新訂了 Claude Max，ChatGPT 從 Pro 降級為 Plus，所以新增 Sonnet 4

測試底下提示詞。三篇論文經人手確認，都是假的，由某個模型幻覺出來。本次測試是看看哪個模型可以查核這些論文是否真實存在？是否嘗試額外搜尋或提供近似主題？

這幾個資料來源存在嗎？請上網搜尋並給出對應的 pubmed 連結 
1. FOXO3 and its role in cancer: emerging targets and therapeutic implications. (Front Oncol. 2021) 
2. Epigenetic regulation of FOXO3 in papillary thyroid carcinoma and its role in lymph node metastasis. (Qiu Y et al., BMC Cancer. 2020) 
3. The paradox of FOXO3: tumor suppressor vs. metastasis promoter – context matters. (Cancer Cell, 2018)

說明

1. 我是 ChatGPT Pro 用戶，其他則沒有付費。
2. Claude 只有付費用戶才能搜尋，所以這裏對它不太公平，註定會有幻覺；但我認為一個成熟的模型應該要能在沒辦法查核的情況下拒絕回答（例如：「我無法確認」）而不是給出幻覺答案。
3. Gemini 2.5 Pro 表示它找到了其中一篇，但還是錯的（無關論文）

應該是 2012 或 2013 年那時候剛開始採用 Linux 的桌面環境。我那時候的電腦是華碩 K40IP，一個沒有獨顯的、厚重的筆電。那時候嘗試跟朋友打 Call of Duty 4 的連線，畫面卡頓，怎麼打都輸，被笑稱走路的靶。後來開始玩 Linux 就換系統。常常在重裝，喜歡在 Unity 上搞蘋果的 Aqua 主題。那時的部落格草稿甚至是用 LibreOffice 寫的。

可以在 桌面截圖 這個網站看到很多人的桌面截圖，千奇百怪。