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

大型語言模型（LLMs）在自然語言處理領域有潛力，可加速臨床實踐，如診斷、預防和治療。智能對話系統運用LLMs被視為治療的未來，尤其是在ChatGPT時代。這研究專注於在醫療保健領域運用LLMs，特別關注認知衰退和產後抑鬱。討論LLMs在醫療保健中的好處，如增進臨床任務和提供個人化醫療，以及相關擔憂，如數據隱私和公平性。這有助於全球討論將LLMs整合到醫療系統中。 PubMed DOI

研究探討利用先進語言模型（LLMs）改善醫療數據互通，轉換及傳輸。實驗證實LLMs可有效將結構化數據轉為非結構化、映射診斷代碼及提取臨床資訊。結果顯示LLMs有潛力增進醫療數據交流，無需複雜標準化。 PubMed DOI

OpenAI推出的AI聊天機器人ChatGPT顯示了大型語言模型（LLMs）在各領域的潛力，包括醫療保健。LLMs在醫療領域被區分為生物醫學和臨床領域，專業LLMs在自然語言處理上表現更優。為特定領域（如醫療保健）開發專用LLMs很重要。LLMs在醫療中有應用前景，但也帶來挑戰，醫療系統需正視並因應。 PubMed DOI

這項研究評估大型語言模型（LLMs）在社交媒體健康相關文本分類的表現，並比較了不同模型的效果。結果顯示，基於人類標註數據的模型如RoBERTa和BERTweet表現優於基於GPT-3.5和GPT-4的模型。雖然LLM可用於數據增強，但僅依賴LLM標註數據訓練效果不佳。研究指出，LLM作為零樣本分類器能有效減少假陰性，並減輕手動標註負擔，顯示其在特定領域自然語言處理的潛力。 PubMed DOI

這篇論文探討大型語言模型（LLMs）在電腦媒介臨床諮詢中的應用潛力，涉及醫生、電子健康紀錄（EHR）系統和病人。儘管自然語言處理（NLP）已有進展，但EHR中的自由文本數據尚未被充分利用。LLMs擅長理解和生成自然語言，能有效處理臨床對話。論文建議透過針對特定任務的預訓練和微調，醫療提供者可利用自由文本來識別病人安全問題、支持診斷，並改善臨床互動。作者認為，微調的LLMs結合提示工程，能提升初級護理諮詢的效率與效果。 PubMed DOI

這項研究系統性回顧了生成性大型語言模型（LLMs）在臨床環境，特別是電子健康紀錄（EHRs）的應用。儘管自然語言處理技術進步，LLMs在臨床實踐中的整合仍有限，面臨多重挑戰。研究分析了自2023年以來的76篇相關文獻，發現包括提示工程的使用、少數多模態數據的應用、評估指標的多樣性，以及臨床決策中的偏見和幻覺等問題。未來需改進計算技術和標準化評估，以提升LLMs在醫療中的可靠性。總之，LLMs在病人護理上有潛力，但仍需克服重大障礙。 PubMed DOI

大型語言模型（LLMs）有潛力顯著改變臨床醫學，能改善醫療服務的可及性、增強診斷、協助手術規劃及促進教育。不過，這些模型的有效運用需謹慎設計提示，以應對幻覺和偏見等挑戰。理解標記化、嵌入和注意力機制等關鍵概念，以及運用策略性提示技術，對生成準確輸出至關重要。AI技術與醫療專業人員的合作、重視倫理問題如數據安全和偏見緩解，能提升醫療服務質量與可及性。持續的研究與發展對於發揮LLMs在醫療領域的潛力至關重要。 PubMed DOI

這項研究探討基於變壓器模型的領域適應技術，以提升對醫療文本的理解，特別針對葡萄牙語的健康照護語言模型。研究發現，雖然英語和中文已有許多相關模型，但歐洲葡萄牙語卻缺乏公共健康照護語言模型。建議先開發一般模型，再針對特定疾病進行開發。變壓器在信息提取中最為常用，主要聚焦於命名實體識別。研究指出，領域適應能提升任務表現，並呼籲對葡萄牙語進行更多研究，以改善醫療信息提取，幫助醫療人員更有效管理病患數據。 PubMed DOI

隨著醫療保健對先進分析的需求增加，合成健康數據的使用變得愈加重要，尤其是在獲取真實健康數據的挑戰下。大型語言模型（LLMs）的進展為生成合成健康數據提供了新機會，但也帶來潛在風險。本文綜述了合成健康數據生成（SHDG）及LLM的研究，探討生成對抗網絡等機器學習模型的現狀與局限性。SHDG面臨的挑戰包括評估指標、數據效率、健康公平等，雖然LLMs在某些方面顯示潛力，但深入研究其優缺點仍然至關重要。 PubMed DOI