Embracing Large Language Models for Medical Applications: Opportunities and Challenges.
運用大型語言模型於醫學應用：機會與挑戰。 Cureus 2023-07-01

大型語言模型（LLMs）有潛力改變醫學，提升診斷和臨床決策。成功整合需要應對醫學領域的挑戰，包括遷移學習、微調、強化學習、跨學科合作、教育、評估、倫理、隱私和法規。透過全面方法和跨學科合作，LLMs能負責任地融入醫療實踐，造福患者並改善健康結果。 PubMed DOI

Creation and Adoption of Large Language Models in Medicine.
醫學領域中大型語言模型的創建與應用。 JAMA 2023-09-14

醫學界對於運用大型語言模型（LLMs）越來越感興趣，但關鍵在於如何主動地發展這些工具在醫學上的應用。雖然LLMs驅動的程式被應用在醫學任務上，卻缺乏在醫療紀錄上的訓練和效益驗證。為確保這些工具在醫學領域有效運用，提供相關訓練資料、明確效益需求，並在實際環境中評估其表現至關重要。 PubMed DOI

Efficient healthcare with large language models: optimizing clinical workflow and enhancing patient care.
大型語言模型的高效醫療：優化臨床工作流程並增進病患照護。 J Am Med Inform Assoc 2024-01-26

LLMs可協助自動化醫療行政工作，減輕醫師電子病歷負擔，提升病人護理。應注意安全、隱私、法規合規，並強調LLMs應輔助而非取代人類關懷。結合LLMs與專業知識可提升病人護理品質。在臨床環境中謹慎實施LLMs至關重要。 PubMed DOI

Local large language models for privacy-preserving accelerated review of historic echocardiogram reports.
本地大型語言模型用於隱私保護加速審查歷史心臟超聲報告。 J Am Med Inform Assoc 2024-04-30

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

Maximizing Large Language Model Utility in Cardiovascular Care: A Practical Guide.
在心血管護理中最大化大型語言模型的效用：實用指南。 Can J Cardiol 2024-06-02

這篇文章討論了大型語言模型（LLMs）如何簡化醫學資訊、改善醫患溝通、自動摘要文章、分析數據，強化心血管護理和研究。探討了LLMs在醫學上的應用、限制和挑戰，提供心血管專業人員實用指南。也思考了LLMs對心血管護理和研究的未來影響。 PubMed DOI

Enhancing Clinical Data Extraction from Pathology Reports: A Comparative Analysis of Large Language Models.
從病理報告中增強臨床數據提取：大型語言模型的比較分析。 Stud Health Technol Inform 2024-08-23

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

Viability of Open Large Language Models for Clinical Documentation in German Health Care: Real-World Model Evaluation Study.
開放大型語言模型在德國醫療保健臨床文檔中的可行性：實際模型評估研究。 JMIR Med Inform 2024-08-28

這項研究探討了如何在有限計算資源下，利用非專有的大型語言模型（LLMs）協助醫療專業人員撰寫德語醫療文本。研究團隊訓練了四個擁有70億參數的模型，並與商業模型Claude-v2進行比較。結果顯示，BLOOM-CLP-German模型在自動評估中表現最佳，且在專家評估中，有93.1%的生成報告被認為可用，僅需少量修改。這顯示即使資源有限，仍能生成適合臨床的醫療文檔，強調選擇非英語模型時需考慮目標語言的重要性。 PubMed DOI

Practical Applications of Large Language Models for Health Care Professionals and Scientists.
大型語言模型在醫療專業人員和科學家中的實用應用。 JMIR Med Inform 2024-09-05

這篇文章強調在醫療和研究領域中，如何安全有效地使用大型語言模型（LLMs），特別是對於經驗較少的專業人士。文中列出六個實用案例，包括自訂翻譯、精煉文本、生成概述、編纂想法、創建個性化教育材料，以及促進智識討論。此外，還提供了一些使用AI工具的注意事項和策略。儘管面臨挑戰，將LLMs整合進醫療和研究工作中，能有效提升生產力和效率。 PubMed DOI

Closing the gap between open source and commercial large language models for medical evidence summarization.
縮小開源與商業大型語言模型在醫學證據總結之間的差距。 NPJ Digit Med 2024-09-09

這項研究探討了微調開源大型語言模型（LLMs）在醫學證據總結方面的潛力，與專有模型相比，開源模型雖然表現較弱，但提供了更高的透明度和自訂性。研究人員使用MedReview基準數據集對三個流行的開源LLMs進行微調，結果顯示微調後的LongT5在零樣本設定中接近GPT-3.5的表現，且一些小型微調模型甚至超越了大型零樣本模型。這些改進在人工評估和模擬GPT-4的評估中均有明顯體現。 PubMed DOI

Privacy-preserving large language models for structured medical information retrieval.
隱私保護的大型語言模型在結構化醫療信息檢索中的應用。 NPJ Digit Med 2024-09-20

這項研究介紹了一個開源流程，利用本地的大型語言模型（LLM）"Llama 2" 從臨床文本中提取定量數據，專注於識別失代償性肝硬化的特徵。研究在MIMIC IV數據集中測試500名患者的病歷，成功識別五個關鍵臨床特徵，敏感度達100%，特異度96%。此外，對其他病症的檢測也相當高，顯示出本地部署的LLM在提取臨床信息方面的有效性，且硬體需求低。 PubMed DOI

原始文章

站上相關主題文章列表