生成式人工智慧和大型語言模型像ChatGPT有潛力改變醫療數據管理。研究指出整合這些技術到醫療實務需協作，強調強化學習和人類反饋。雖然面臨道德挑戰，但大型語言模型可改善醫療決策。持續創新在數據處理、模型優化和實施策略至關重要，組織應負責任地應用這些技術以提升醫療品質、安全和效率。 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

研究目的是透過特定語料庫微調LLaMA 2，以改進罕見疾病概念的規範化。四個模型在臨床概念上表現準確，對打字錯誤有強大的辨識能力。同義詞模型在新概念上表現較佳。研究測試了模型在SNOMED-CT同義詞上的準確度，並指出ChatGPT 3.5在某些情況下能正確識別HPO ID。這些模型展現了對拼寫錯誤和同義詞的強大辨識能力，有助於臨床敘事中辨識和規範醫學概念。 PubMed DOI

醫學領域中，找到正確資訊很重要。這篇論文提出使用大型語言模型和生成模型來改善消除歧義，方法是增加相關內容的實例來擴充資料集。結合BlueBERT、Transformers和BIOGPT，產生多樣臨床文本實例。在CASI資料集上評估，方法提升效能，特別對有限實例的情況，解決資料不均和類似概念挑戰。結果顯示，大型語言模型和生成技術有效，模型準確度高於先前方法。 PubMed DOI

研究評估大型語言模型在基因組分析中的應用潛力，以診斷罕見遺傳疾病。最佳模型準確率為16.0%，低於傳統工具，但隨模型大小增加，準確性提高。自由文本輸入可提高預測準確性，但某些基因可能存在偏見。總結，大型語言模型在基因組分析中有應用價值。 PubMed DOI

循證醫學旨在透過利用最佳可用證據來指導醫療決策，以提升醫療品質。醫學證據量的增加使得收集和綜合資訊面臨挑戰。生成式人工智慧，如大型語言模型，在協助這個過程方面展現潛力，但確保這些模型的負責任性、公平性和包容性是複雜的。這個觀點探討了生成式人工智慧在自動摘要醫學證據方面的可靠性。 PubMed DOI

研究使用Llama 2語言模型，透過HPO語料庫微調，提升罕見疾病概念的準確性。建立兩個語料庫，一個收錄標準HPO名稱和同義詞。微調後的模型能準確規範表型術語，即使有錯別字或新詞。這方法有助於臨床文本中識別醫學實體並標準化。 PubMed DOI

現代的生成式人工智慧技術，如檢索增強生成（RAG），能顯著提升癌症治療的討論效果。專家通常需花費大量時間審查文獻以尋找證據和建議，但透過RAG流程，這個過程變得更簡單。該流程從可信來源（如OncoKB）檢索相關文本，並提供給大型語言模型（LLM），無需微調。研究顯示，透過向Llama 2模型提出簡單問題，能重現超過80%的治療關係，顯示出減少文獻審查勞動量的潛力，並提升討論效率。 PubMed DOI

這項研究探討大型語言模型（LLMs）在診斷罕見遺傳疾病中的應用，特別是基於表型的基因優先排序。研究比較了五種LLMs，結果顯示GPT-4的表現最佳，能在前50個預測中準確識別17.0%的診斷基因，但仍低於傳統方法。雖然較大的模型通常表現較好，先進技術如檢索增強生成並未提升準確性，但精緻的提示改善了任務完整性。整體而言，這些發現顯示LLMs在基因組分析中的潛力與限制，對臨床應用有重要影響。 PubMed DOI

診斷罕見兒科疾病相當具挑戰性，因為這些疾病的表現複雜。本研究評估了三種大型語言模型（LLMs）的診斷表現：GPT-4、Gemini Pro，以及一個整合Human Phenotype Ontology的自訂模型（GPT-4 HPO），針對61個罕見疾病進行分析。結果顯示，GPT-4的準確率為13.1%，而GPT-4 HPO和Gemini Pro均為8.2%。特別是GPT-4 HPO在鑑別診斷和疾病分類上表現較佳。這些結果顯示大型語言模型在診斷支持上有潛力，但仍需改進以便更好地融入臨床實踐。 PubMed DOI