研究指出，利用自動化方法簡化生物醫學文獻有助於提高大眾理解。研究者使用CELLS語料庫，結合外部知識如維基百科，提升內容摘要的質量。大型語言模型如Llama 2和GPT-4也被應用於背景解釋，顯示了簡化內容的潛力。這項研究有助於普及科學知識，程式碼和數據可在GitHub找到。 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

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

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

這篇論文提出了一個評估大型語言模型（LLMs）在生物醫學知識編碼的框架，特別針對抗生素研究。框架分為三個步驟：流暢性、提示對齊和語義一致性，並評估事實知識和回應的具體性。研究涵蓋了ChatGPT、GPT-4和Llama 2等十一個模型，透過生成化合物定義和確定化合物與真菌關係的任務進行評估。結果顯示，雖然流暢性有所提升，但事實準確性仍有待加強，對LLMs作為生物醫學知識庫的可靠性提出了疑慮，並強調需要更系統的評估方法。 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

這項研究探討了基於檢索增強生成（RAG）的大型語言模型（LLMs）在提供前交叉韌帶（ACL）損傷資訊的準確性。研究人員編輯了100個問題和答案，並測試了不同模型的表現。結果顯示，未整合RAG的模型準確率低於60%，但整合後平均提升39.7%。Meta的Llama 3 70b達到94%準確率，而結合RAG與AI代理的GPT-4則達95%。研究結果顯示RAG和代理增強能有效提升醫療資訊的準確性，對醫學領域的LLMs應用提供了支持。 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