LLMs如ChatGPT和Med-PaLM在醫學問答表現優秀，但在非英語環境面臨挑戰。KFE框架提升中文醫學表現，整合臨床知識。像ChatGPT和GPT-4在CNMLE-2022有顯著進步，超越人類並通過考試。研究指出結合醫學知識與LLMs的情境學習有效，可橋接全球醫療語言障礙，減少不平等。 PubMed DOI

在生物醫學研究中，建立生物醫學知識圖譜很重要，尤其是聚焦於術語。CoRTEx運用大型語言模型改進術語表示，並透過對比學習提升聚類效果。透過ChatGPT生成UMLS術語解釋，CoRTEx在測試中表現出色，能有效聚類數百萬術語。案例研究顯示其處理困難樣本和對齊術語的有效性，展現高準確性和穩定性。 PubMed DOI

利用大型語言模型（LLMs）自動從電子健康記錄（EHRs）中提取預防保健指南，有助於改善醫療結果。研究顯示LLMs能成功從成人預防保健指南中提取標準、風險因素和醫療服務。挑戰在於輸入限制和內容生成。醫護人員需驗證提取資訊的正確性。標註指南的數據結構已公開。整合LLMs與EHRs可增進預防保健在醫療中的應用。 PubMed DOI

在醫學領域中，開發本地化的大型語言模型（LLMs），結合知識庫，提升性能並解決隱私問題，增進醫療專業人員的可使用性。ChatZOC框架結合眼科數據集，與其他LLMs進行基準測試，顯示增強型LLM在回答臨床問題時更準確、實用，展現在提供可靠臨床資訊方面的潛力。未來需進一步研究，探索在實際醫療環境中的廣泛應用。 PubMed DOI

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

這項研究探討如何利用大型語言模型（LLMs）來改善醫療領域的質性訪談數據解釋。傳統的主題建模方法常常過於簡化，難以捕捉患者和醫療專業人員的細微經驗。研究發現，LLMs在數據解釋的效率和深度上表現更佳，顯示它們在整合人類觀點進入可持續醫療系統的發展中，可能扮演重要角色，並有助於解決該領域的挑戰。 PubMed DOI

罕見疾病的診斷與治療面臨挑戰，因為其發生率低且表現多樣。研究提出一種混合方法，結合字典式自然語言處理（NLP）工具與大型語言模型（LLMs），以提升從非結構化臨床報告中識別罕見疾病的能力。這個框架整合了孤兒病本體和統一醫學語言系統，利用SemEHR工具提取疾病資訊，並透過多種LLMs優化結果。研究顯示，這種方法在識別潛在罕見疾病方面表現優異，顯示出其在臨床應用中的潛力，未來仍需進一步研究以克服相關挑戰。 PubMed DOI

電子表型化是一個複雜的過程，涉及分析結構化和非結構化數據，使用規則技術、機器學習和自然語言處理。目前，準確的表型定義需要大量人力，主要依賴文獻回顧和專業知識，這使得擴展困難。大型語言模型（LLMs）提供自動提取表型定義的潛力，但也面臨可靠性和準確性等挑戰。我們的研究目標是建立標準評估集，確保模型輸出可靠，並測試不同提示策略以提取表型定義。結果顯示，雖然有進展，但仍需人類評估，且我們的方法有潛力減少文獻回顧所需時間。 PubMed DOI

整合生物醫學知識對改善醫療診斷和個人化治療至關重要，但面臨數據集術語不一致的挑戰。生物醫學實體對齊是關鍵，需識別不同數據集中的等效實體。近期，大型語言模型（LLMs）如BERT在處理異質數據上顯示潛力，但無單一模型能解決所有實體匹配問題。為此，我們提出兩階段LLM構建框架（TSLLM），透過多目標和單目標遺傳算法自適應選擇和結合LLM，提升異質實體的區分能力。測試結果顯示，TSLLM在實體匹配上表現優於現有技術。 PubMed DOI

人類表型本體（HPO）對於臨床文本數據的註解非常重要，但大型語言模型（LLMs）在使用HPO術語時表現不佳，可能因為缺乏合適的術語。在生物醫學聯結註解黑客松第八屆（BLAH8）中，我們提取了23個子類別的HPO術語，並識別主要屬性。結果顯示，LLMs在缺乏上下文時表現不佳，且HPO術語涵蓋疾病名稱、病況、測試數據及症狀等四大屬性。臨床醫生對本體的使用感到困難，因此需要他們的參與來提升數據質量和理解。 PubMed DOI