LLMs如ChatGPT和Med-PaLM在醫學問答表現優秀，但在非英語環境面臨挑戰。KFE框架提升中文醫學表現，整合臨床知識。像ChatGPT和GPT-4在CNMLE-2022有顯著進步，超越人類並通過考試。研究指出結合醫學知識與LLMs的情境學習有效，可橋接全球醫療語言障礙，減少不平等。 PubMed DOI

這項研究致力於開發一個針對傳統中醫的語言模型，旨在提升臨床推理能力，如診斷和處方建議。研究人員創建了三個重要數據集，並開發了Lingdan預訓練模型及兩個專門模型，分別用於症狀分析和草藥處方建議。這些模型在中醫知識回答和處方建議上表現優異，Lingdan-PR的F1-score比最佳基準提高了18.39%。這項研究顯示了人工智慧在改善醫療決策中的潛力，相關資料可在 https://github.com/TCMAI-BJTU/LingdanLLM 獲得。 PubMed DOI

這項研究探討了大型語言模型（LLMs），如GPT-3.5、GPT-4和Llama，在提取針灸穴位位置關係的有效性，特別是使用世界衛生組織的標準作為數據集。研究標註了五種穴位關係，並根據精確度、召回率和F1分數評估模型表現。結果顯示，微調後的GPT-3.5表現最佳，達到最高微平均F1分數0.92，顯示針灸領域的微調對關係提取的重要性。研究建議LLMs可增強針灸的臨床決策支持及教育資源，推進傳統醫學的資訊學發展。 PubMed DOI

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

這項研究顯示大型語言模型（LLMs）在診斷罕見疾病方面的潛力，因為這些疾病因發病率低且表現多樣而難以識別。研究分析了152個來自中國醫學案例資料庫的案例，並比較了四個LLMs（ChatGPT-4o、Claude 3.5 Sonnet、Gemini Advanced和Llama 3.1 405B）與人類醫師的診斷準確性。結果顯示，LLMs的表現超越人類醫師，Claude 3.5 Sonnet的準確率達78.9%，而人類醫師僅26.3%。這顯示LLMs在臨床上可能成為有價值的工具，但在實際應用前仍需進一步驗證及考量倫理與隱私問題。 PubMed DOI