Almanac - Retrieval-Augmented Language Models for Clinical Medicine.
臨床醫學的檢索增強語言模型。 NEJM AI 2024-02-26

大型語言模型（LLMs）在各種自然語言任務上有進展。Almanac LLM框架在臨床醫學領域提供更準確、安全的醫學指南。研究顯示領域特定LLMs在臨床決策中有潛力，強調部署前需進行充分測試。 PubMed DOI

Enhancement of Large Language Models' Performance in Diabetes Education: Retrieval-Augmented Generation Approach.
提升大型語言模型在糖尿病教育中的表現：檢索增強生成方法。 J Med Internet Res 2024-07-24

RISE框架的開發目的是提升大型語言模型（LLMs）在回答糖尿病相關問題的準確性和全面性。研究評估了RISE的有效性，包含重寫查詢、資訊檢索、摘要和執行四個步驟。研究結果顯示，應用RISE後，三個基礎LLM（GPT-4、Claude 2和Google Bard）的回答準確性平均提高12%。具體來說，GPT-4提高7%，Claude 2提高19%，Google Bard提高9%。此外，回答的全面性和可理解性也有所增強，顯示RISE對於患者教育和慢性疾病自我管理的重要性，有助於改善公共健康。 PubMed DOI

Enhancing pharmacogenomic data accessibility and drug safety with large language models: a case study with Llama3.1.
利用大型語言模型提升藥物基因組數據的可及性和藥物安全性：以 Llama3.1 為案例研究。 Exp Biol Med (Maywood) 2024-12-18

藥物基因組學（PGx）旨在根據個人基因特徵來個性化醫療，以提升藥物療效與安全性。不過，PGx 研究面臨數據分散和提取繁瑣的挑戰。本研究評估大型語言模型（LLMs），特別是 Llama3.1-70B，能否自動化從 FDA 藥物標籤中提取 PGx 資訊。結果顯示，該模型在識別藥物-生物標記對的準確率達 91.4%，並且在提取 PGx 類別的穩定性超過 85%。這不僅簡化了數據提取，還有助於改善個性化醫療，並為少數族群揭示新資訊，顯示 LLMs 在 PGx 研究中的潛力。 PubMed DOI

Enhancing Large Language Model Reliability: Minimizing Hallucinations with Dual Retrieval-Augmented Generation Based on the Latest Diabetes Guidelines.
提升大型語言模型的可靠性：基於最新糖尿病指導方針的雙重檢索增強生成以最小化幻覺。 J Pers Med 2024-12-27

本研究針對大型語言模型（LLMs）在糖尿病管理中的可靠性問題，開發了一個雙重檢索增強生成（RAG）系統，整合2023年韓國和美國的糖尿病指導方針。透過11個嵌入模型進行密集與稀疏檢索，結果顯示Upstage和OpenAI的模型在韓文和英文中表現最佳。該系統成功提升了不同語言的醫療資訊可靠性，為AI輔助醫療解決方案的發展奠定基礎。 PubMed DOI

Improving large language model applications in biomedicine with retrieval-augmented generation: a systematic review, meta-analysis, and clinical development guidelines.
利用檢索增強生成技術改善生物醫學中的大型語言模型應用：系統性回顧、統合分析及臨床發展指導方針。 J Am Med Inform Assoc 2025-01-15

本研究綜合了近期在生物醫學領域中有關檢索增強生成（RAG）和大型語言模型（LLMs）的研究，旨在提供臨床發展的指導方針。透過系統文獻回顧和統合分析，研究納入了335項研究中的20項，結果顯示RAG顯著提升了模型表現，勝算比為1.35（P = .001）。報告詳細說明了臨床任務及評估方法，並提出在臨床環境中實施增強LLM的指導方針。未來研究應聚焦於RAG的整合與應用。 PubMed DOI

BiomedRAG: A retrieval augmented large language model for biomedicine.
BiomedRAG：一種用於生物醫學的檢索增強大型語言模型。 J Biomed Inform 2025-01-15

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

Large language models for data extraction from unstructured and semi-structured electronic health records: a multiple model performance evaluation.
從非結構化和半結構化電子健康紀錄中提取數據的大型語言模型：多模型性能評估。 BMJ Health Care Inform 2025-01-20

這項研究評估了多種大型語言模型（LLMs）在從電子健康紀錄中提取數據的表現，使用了50份合成醫療筆記。共測試了18個LLM，並與基準模型RoBERTa比較，涵蓋多個任務。表現最佳的模型包括Claude 3.0 Opus、GPT 4等，準確率超過0.98，明顯優於RoBERTa的0.742。這些模型在多次測試中也展現出一致性，顯示出能有效協助數據提取，減輕醫療人員的負擔。不過，仍需用真實數據進一步驗證其實際應用效果。 PubMed DOI

Language models for data extraction and risk of bias assessment in complementary medicine.
補充醫學中數據提取和偏倚風險評估的語言模型。 NPJ Digit Med 2025-01-31

這項研究評估大型語言模型（LLMs）在107項補充醫學試驗中的數據提取及偏見風險評估的效果。僅用LLM的方法，如Moonshot-v1-128k和Claude-3.5-sonnet，準確率達95%以上；而LLM輔助的方法更佳，準確率可達97%以上。此外，LLM輔助的方法處理時間大幅縮短，分別只需14.7分鐘和5.9分鐘，傳統方法則需86.9分鐘和10.4分鐘。這些結果顯示，LLM結合人類專業知識能有效提升證據綜合的效率與準確性。 PubMed DOI

Improving Dietary Supplement Information Retrieval: Development of a Retrieval-Augmented Generation System With Large Language Models.
改善膳食補充劑資訊檢索：基於大型語言模型的檢索增強生成系統的開發。 J Med Internet Res 2025-03-19

這項研究專注於利用先進的檢索增強生成（RAG）系統，結合更新版的膳食補充品知識庫2.0（iDISK2.0），提升膳食補充品資訊的準確性。iDISK2.0整合可信來源的數據並進行清理，提升質量。RAG系統結合生物醫學知識圖譜與大型語言模型，能提供準確的證據回應，解決獨立LLMs的錯誤資訊問題。評估結果顯示，準確率達99%和95%，顯著優於獨立LLMs。未來將擴展至其他生物醫學領域，並透過真實查詢增強評估。 PubMed DOI

NutriRAG: Unleashing the Power of Large Language Models for Food Identification and Classification through Retrieval Methods.
NutriRAG：透過檢索方法釋放大型語言模型在食物識別和分類中的力量。 medRxiv 2025-04-01

這項研究探討了先進的自然語言處理技術如何改善食物分類和飲食分析，使用來自飲食追蹤應用的原始文本。研究分為數據收集、框架開發和應用三個階段，參與者透過 myCircadianClock 應用記錄餐點。研究人員創建了 NutriRAG 框架，結合大型語言模型如 GPT-4，提升了食物分類的準確性。結果顯示，參與者在不同飲食模式下的飲食行為有顯著變化，顯示出 NutriRAG 在個性化營養和健康問題解決上的潛力，並建議進一步研究。 PubMed DOI

原始文章

站上相關主題文章列表