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

Enhancing Herbal Medicine-Drug Interaction Prediction Using Large Language Models.
利用大型語言模型增強草藥與藥物相互作用預測。 IEEE J Biomed Health Inform 2025-04-07

這項研究專注於提升藥物與草藥互動的預測，對優化治療策略和個人化醫療非常重要。研究運用深度學習技術，特別是大型語言模型（LLMs），來解決數據質量低和分佈不均的問題。模型透過藥物的SMILES提取特徵，並對草藥進行一熱編碼，使用變分圖自編碼器（VGAEs）分析草藥與藥物的互動圖。這種方法提高了模型的可解釋性，並解決了高階節點的問題。實驗結果顯示其在中醫、藥物開發和精準醫療中的潛力，相關代碼和數據已在GitHub上公開。 PubMed DOI

Semantic Clinical Artificial Intelligence vs Native Large Language Model Performance on the USMLE.
語意型臨床人工智慧與原生大型語言模型在 USMLE 的表現比較 JAMA Netw Open 2025-04-22

這項研究發現，把結構化臨床知識（SCAI RAG）加進 Llama LLMs，能明顯提升小型模型（13B）在美國醫師執照考試的表現，甚至讓它通過 Step 3。大型模型（70B、405B）本來就表現很好，加 SCAI RAG 也有小幅進步。整體來說，整合正式臨床知識有助 LLMs 在醫療領域的應用。 PubMed DOI

Adapting Generative Large Language Models for Information Extraction from Unstructured Electronic Health Records in Residential Aged Care: A Comparative Analysis of Training Approaches.
將生成式大型語言模型應用於長照機構非結構化電子健康紀錄資訊擷取之訓練方法比較分析 J Healthc Inform Res 2025-05-01

這項研究探討如何用 Llama 3.1-8B 這類大型語言模型，從澳洲長照機構的護理紀錄中擷取失智症患者的躁動行為和營養不良風險資訊。結果發現，少樣本學習比零樣本學習好，PEFT 技術能提升兩者表現，RAG 只對少樣本有幫助。最佳組合是少樣本加 RAG，但零樣本加 PEFT 也差不多好，提供臨床資訊擷取的實用參考。 PubMed DOI

Intelligent Chinese patent medicine (CPM) recommendation framework: Integrating large language models, retrieval-augmented generation, and the largest CPM dataset.
智慧型中成藥（CPM）推薦框架：結合大型語言模型、檢索增強生成，以及最大規模中成藥資料集 Pharmacol Res 2025-07-27

這項研究開發了RAG-CPMF智慧中成藥推薦系統，結合大型語言模型、RAG技術和最大規模中成藥資料庫。透過多模型驗證，能有效建立並更新資料庫。整合後，RAG-CPMF在中成藥推薦準確度上明顯優於一般LLM，並經臨床指引驗證，有助西醫師更有效開立中成藥。 PubMed DOI

原始文章

站上相關主題文章列表