LLMs在一般自然語言任務表現優秀，但在生物醫學領域有挑戰。BKGs提供結構化資訊，而像ChatGPT這樣的LLMs擅長生成文本。搭載GPT-4.0的ChatGPT在資訊提供方面勝過GPT-3.5和BKGs，但BKGs提供更可靠的數據。ChatGPT在處理新發現和推理上較BKGs困難。整合LLMs和BKGs可提升生物醫學領域表現和知識進步。 PubMed DOI

LLMs在處理語言任務強，但在生物醫學領域有限制。BKGs整理生物醫學知識很有用。研究比較了ChatGPT和BKGs在生物醫學問答、知識發現和推理的表現。ChatGPT提供現有資訊表現好，但處理新發現和推理有困難。整合LLMs和BKGs可提升表現並促進生物醫學知識的發展。 PubMed DOI

討論了KnowledgeVIS，一個視覺分析系統，協助研究人員和工程師理解大型語言模型運作方式。使用者可比較預測結果、創建提示變化、分析預測單詞，透過互動式視覺化發現見解。經專家反饋測試，適用於生物醫學、刻板印象評估，以及發現通用模型中的事實和關係。 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

近期LLMs如ChatGPT在醫療保健領域受歡迎，但也帶來安全和倫理風險。為因應此挑戰，提出新方法評估LLMs在臨床護理中的可行性，強調安全、個人化護理和倫理。透過跨學科知識整合和文獻回顧，確定關鍵評估領域。由專家進行同行評審，確保科學嚴謹。在臨床腫瘤護理中評估九種LLMs後，有些被推薦使用，有些謹慎使用或不可使用。推薦使用特定領域的LLMs可支持醫療專業人員的決策。 PubMed DOI

KRAGEN是一個解決自然語言難題的工具，利用知識圖譜和先進提示技術，解決大型語言模型的問題。它將知識轉換為數據庫，使用RAG檢索相關事實，並利用GoT將問題分解，提供更精確的解答。KRAGEN的圖形化界面幫助用戶評估解答品質，並可在GitHub上開源。 PubMed DOI

研究探討如何利用大型語言模型（LLMs）協助資料素養較低者理解複雜的視覺化，結果顯示LLM能有效幫助使用者理解圖表並鼓勵進一步探索。然而，過度依賴LLM代理人可能導致洞察不足，呈現潛在風險。研究建議妥善平衡利用LLMs提升視覺化素養的方法。 PubMed DOI

這篇論文提出了一個概念模型，探討影響健康素養的認知因素及社會經濟元素。作者們開發了HEALIE知識圖譜，整合了多種醫學本體論和專家意見的信息。接著，這個知識圖譜與大型語言模型結合，創造出個性化的醫療內容。文中還提供了一個範例，展示這種方法在提升健康素養、幫助個人管理健康及參與醫療決策方面的有效性。 PubMed DOI

知識圖譜（KGs）改變了知識的表現方式，將實體及其關係以圖形結構組織，提升了推薦系統和問答系統的效能。像是Expert.AI的Sensigrafo，專注於透過機器導向的詞彙來增進自然語言理解。不過，維護知識圖譜仍然面臨挑戰，通常需要手動輸入。近期大型語言模型（LLMs）的進展，為自動化知識圖譜的豐富提供了新機會，本文探討了基於LLM的最新技術，並針對數據質量、經濟性、隱私等問題提供見解。 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