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

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

這項研究探討檢索增強生成（RAG）模型在回答擴散性大B細胞淋巴瘤（DLBCL）問題的效果，並與OpenAI的GPT-3.5、GPT-4及微軟的Prometheus進行比較。結果顯示，RAG模型在準確性和相關性上表現優於其他大型語言模型，且幻覺現象較少。雖然GPT-4和GPT-3.5在可讀性上較佳，但仍產生了許多不準確的資訊。研究強調了進一步探索不同模型架構及方法在專業領域的潛力。 PubMed DOI

這項研究探討如何透過檢索增強生成（RAG）來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合，旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估，結果顯示在答案的相關性上有不錯的表現，但也指出在基礎性和上下文相關性方面仍需改進。 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

這項研究提出了一種新穎的增強檢索生成（RAG）系統，結合微調的大型語言模型（LLMs）與向量數據庫，充分發揮結構化數據檢索的優勢。主要方法包括LoRA和QLoRA，專注於高效的參數微調和記憶優化。獨特之處在於納入用戶反饋，讓模型持續適應用戶需求，提升性能。此外，研究還引入量化影響度量（QIM）作為AI評審機制，增強結果選擇的準確性。這些成果為未來聊天機器人技術的發展提供了重要見解，並已公開相關數據集和工具供社群使用。 PubMed DOI

檢索增強生成（RAG）透過從資料庫中檢索知識來提升大型語言模型（LLMs）的表現，但傳統方法在檢索句子或段落時可能會引入噪音。為了解決這個問題，我們提出了BiomedRAG框架，將自動檢索的區塊文件直接輸入LLM。經過在四個生物醫學自然語言處理任務和八個數據集的評估，BiomedRAG的表現平均提升了9.95%，並且在多項基準上達到最先進的結果，超越了4.97%。這個框架為生物醫學領域的LLM應用提供了更準確且可調整的方法。 PubMed DOI

大型語言模型有潛力改變科學數據的分析與溝通，但在準確性上仍有挑戰。洛瑞特腦研究所與塔爾薩大學開發的LITURAt系統，透過整合外部數據檢索和分析工具，旨在提供可靠的輸出，讓專家與非專家都能輕鬆使用。研究顯示，LITURAt在查詢一致性和準確性上表現優異，能改善科學數據分析的可及性。儘管有些限制，LITURAt仍顯示出促進數據驅動見解民主化的潛力。 PubMed DOI

這項研究評估大型語言模型（LLMs）在生成臨床試驗計畫書的有效性。研究人員使用LLM生成不同疾病和試驗階段的計畫書，並根據臨床思維、透明度、醫學術語和內容相關性四個標準進行評估。結果顯示，LLM在內容相關性和術語方面表現良好，但在臨床思維和透明度上則較差。為提升表現，研究人員採用檢索增強生成（RAG）方法，顯著改善了內容質量，提升了臨床思維和透明度的分數。這表明RAG方法能有效提升LLM在臨床試驗文件撰寫的可用性，並可能改變藥物開發過程。 PubMed DOI

這項研究探討大型語言模型（LLMs）和檢索增強生成（RAG）系統在管理基於證據的信息的效果，特別針對13項神經學指導方針和130個問題。結果顯示性能差異明顯，雖然RAG系統在準確性上有所提升，但仍可能產生有害回應。此外，RAG系統在處理案例型問題時表現不如知識型問題。研究強調需要進一步改進和規範，以確保RAG增強的LLMs在臨床上的安全使用。 PubMed DOI