在醫療領域，先進的大型語言模型（LLMs）逐漸被應用，但在傳統中醫（TCM）方面的專業知識仍然不足。為了解決這個問題，我們開發了TCMChat，這是一個專門針對中醫文本和中文問答數據集訓練的生成性LLM。TCMChat基於Baichuan2-7B-Chat模型，經過預訓練和微調，並在六個中醫相關場景中表現優異。我們的資源已在GitHub和HuggingFace上公開，為中醫研究提供了有價值的工具和友好的對話介面。 PubMed DOI

大型語言模型（LLMs）在醫學領域的應用越來越受到重視，但在中醫方面的研究仍然有限。本研究回顧了29項相關研究，發現LLMs在知識提取和輔助診斷方面有潛力。專為中醫設計的模型在執業醫師考試中達到70%的準確率，而通用模型則為60%。不過，LLMs在中醫應用上仍面臨數據質量、安全性及中醫特有的複雜性等挑戰。未來應著重於跨學科訓練和數據標準化等方向。 PubMed DOI

這項研究探討將大型語言模型（LLMs），如GPT，融入傳統中醫（TCM）的可能性，旨在現代化和全球化這個領域。中醫因專業術語和診斷方法的複雜性，面臨數位化和個性化的挑戰。雖然LLMs在語意理解上有潛力，但在準確性和邏輯推理上仍有不足，可能產生不可靠的結果。研究回顧現有文獻和實證數據，評估LLMs在中醫的潛在好處與挑戰，並討論未來的發展方向。 PubMed DOI

風濕免疫疾病因其慢性特性和高殘疾率，對患者生活品質影響深遠。傳統中醫在這方面提供了重要的見解，古代醫學文獻中有詳細記載。本研究專注於建立針對風濕病的知識圖譜，整合本體論理論與先進技術，重建中醫知識，促進數據挖掘與知識發現。我們提出了一種新穎的實體提取方法，克服古文解讀的挑戰，提升中醫在風濕病治療中的臨床應用，並開啟進一步探索的可能性。 PubMed DOI

這篇論文提出了一個針對糖尿病患者的智能問答系統，目的是提供個人化的醫療資訊。系統結合大型語言模型與知識圖譜，克服傳統醫療系統的限制。使用Neo4j的知識圖譜，並結合Baichuan2-13B和Qwen2.5-7B模型，透過低秩適應和提示學習技術提升性能。評估結果顯示，實體識別精確度達85.91%，意圖分類達88.55%。這項研究顯示結合大型語言模型與知識圖譜的潛力，為未來個人化醫療解決方案提供了新方向。 PubMed DOI

這篇論文介紹了TCM-KLLaMA模型，這是一個先進的中醫處方生成系統，旨在克服現有方法的不足。傳統方法過於依賴症狀，忽略了舌診和脈診等重要因素，可能導致醫療建議不準確。TCM-KLLaMA透過整合中醫知識圖譜，提升處方準確性，並使用改良的Chinese-LLaMA2-7B模型，新增輸出層和損失函數以減少幻覺。此外，還採用建議同義詞和匹配知識注入的微調機制。實驗結果顯示，TCM-KLLaMA在精確度和F1分數上顯著優於基準模型，證明其在生成準確中醫處方方面的有效性。 PubMed DOI

這項研究開發了TCMSF架構，能用先進語言模型和規則方法，從古代中醫書籍中自動整理證候知識。以陰虛證為例，團隊微調ERNIE和BERT等模型做命名實體辨識，發現ERNIE加CRF效果最好（F1分數0.77）。他們也提出新關係萃取法，降低錯誤率。最後建立的知識圖譜有12萬多個實體和118萬條關係，對中醫AI診斷很有幫助。 PubMed DOI

這篇綜述探討大型語言模型（LLMs）如何協助中醫與現代醫學整合，指出目前缺乏統一標準是主要障礙。文章回顧不同領域的LLMs，分析其架構、訓練資料及限制，並提出利用LLMs彌補兩者差距的解方。最後認為AI有機會結合兩種醫療體系優勢，推動更個人化且有效的健康照護。 PubMed DOI

這項研究推出CMedRAGBot中文臨床醫學問答系統，結合RAG和醫學知識圖譜，有效減少LLM幻覺和知識過時問題。系統包含知識圖譜、強化NER模型（用Chinese-RoBERTa+BiGRU+資料增強）及意圖辨識。實測在五種主流LLM和醫學考題上，答案正確率最高提升10%。資料增強和意圖辨識對NER和複雜問題理解特別有幫助。原始碼已開源。 PubMed DOI

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