人工智慧在醫療保健領域發展迅速，尤其透過自然語言處理的 AI 聊天機器人，能模擬人類對話，幫助臨床醫生和患者溝通。機器人應用檢索增強生成技術，提供更具針對性和詳細的回應。整合臨床數據和權威醫學資料，AI 聊天機器人能提供更貼心的指導、快速的診斷和治療建議，進而改善患者結果。 PubMed DOI

研究比較四個大型語言模型（LLMs）與專家醫師在協助精準腫瘤學臨床決策的表現。LLMs提供更多治療方案，但品質和可信度不如專家。然而，部分LLMs提出的治療方案獲得委員會認可。研究建議LLMs可提供協助，但無法取代人類專家。 PubMed DOI

LLMs在臨床上很強大，但商業化的LLMs可能有錯誤。檢索增強生成（RAG）可改善這問題。LiVersa是一個用RAG與AASLD指南創建的肝病LLM，對HBV和HCC表現良好，但有些回答不準確。研究顯示RAG可創建疾病特定LLMs，應用在臨床和個人化醫學。 PubMed DOI

研究使用OpenAI的GPT-4開發AI助手，解釋藥物基因測試結果，提升臨床遺傳學決策，改善患者護理。AI助手採用RAG技術，結合CPIC數據庫，針對用戶提供個人化回答。相較ChatGPT 3.5，表現更佳，尤其在專業查詢方面。需改進回答準確性、相關性和語言表達。整合GPT-4與RAG提升效能，利用CPIC數據。挑戰在提高準確性、解決道德問題，發展專業基因/藥物模型。研究凸顯生成式AI在醫療支援和患者獲取複雜基因組學資訊的潛力。謹慎應用大型語言模型如GPT-4，可顯著提升對基因組學數據的理解，增進醫療服務。 PubMed DOI

LLMs在臨床上很強大，但可能出錯。檢索增強生成（RAG）可減少錯誤。"LiVersa"是專為肝臟疾病設計的LLM，使用RAG技術。測試顯示LiVersa回答肝臟問題很準確，但還需改進。LiVersa展示了RAG技術在臨床上定製LLMs的潛力。 PubMed DOI

在醫療領域，使用大型語言模型（LLMs）是重要進步，有助於改善病患護理、研究和教育。雖然LLMs有不完美之處，但透過提示工程和檢索增強生成（RAG）等策略，可以提高準確性和相關性。尤其在臨床決策等需要全面資訊的任務中，RAG是相當有幫助的。一個以KDIGO 2023慢性腎臟病指南為基礎的ChatGPT模型整合了RAG，展現了提供準確醫療建議的潛力。 PubMed DOI

這項研究探討檢索增強生成（RAG）模型在回答擴散性大B細胞淋巴瘤（DLBCL）問題的效果，並與OpenAI的GPT-3.5、GPT-4及微軟的Prometheus進行比較。結果顯示，RAG模型在準確性和相關性上表現優於其他大型語言模型，且幻覺現象較少。雖然GPT-4和GPT-3.5在可讀性上較佳，但仍產生了許多不準確的資訊。研究強調了進一步探索不同模型架構及方法在專業領域的潛力。 PubMed DOI

這項研究探討如何透過檢索增強生成（RAG）來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合，旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估，結果顯示在答案的相關性上有不錯的表現，但也指出在基礎性和上下文相關性方面仍需改進。 PubMed DOI

醫療行動本體（MAxO）是一個用來表示治療和管理病患行動的工具，特別針對罕見疾病。由於手動整理超過10,000種罕見疾病的術語相當困難，因此開發了半自動化的AutoMAxO工作流程，利用大型語言模型（LLMs）來簡化整理過程。AutoMAxO從醫學摘要中提取整理內容，並與MAxO及其他本體術語匹配，最終由人類整理者審核。研究中，AutoMAxO處理了4,918篇摘要，識別出18,631個候選內容，並確認538個加入MAxO，顯示生成式AI在精準醫療中的潛力。 PubMed DOI

基於知識圖譜的檢索增強生成（KG-RAG）框架，成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜，KG-RAG優化了標記使用，提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%，同時保持準確性，顯著改善了對生物醫學提示的回應，並在基準數據集上提升表現，Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型，讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開，並提供生物醫學基準數據集供研究使用。 PubMed DOI