BioInstruct: instruction tuning of large language models for biomedical natural language processing.
生物指導：用於生物醫學自然語言處理的大型語言模型指令調整。 J Am Med Inform Assoc 2024-06-04

這個研究使用了一個名為BioInstruct的數據集，來提升生物醫學自然語言處理的大型語言模型表現。結果顯示，透過結合指導數據和多任務學習，以及有效微調參數，模型在各種BioNLP任務上有顯著改善。指導調整後的模型在生物醫學領域表現優異，尤其在相關任務微調時。BioInstruct數據集對提升BioNLP應用有重要價值。 PubMed DOI

Automation of Trainable Datasets Generation for Medical-Specific Language Model: Using MIMIC-IV Discharge Notes.
醫療特定語言模型可訓練數據集生成的自動化：使用 MIMIC-IV 出院記錄。 Stud Health Technol Inform 2024-08-23

這項研究提出了一種新方法，利用MIMIC-IV出院記錄來創建機器生成的醫學指令數據集，目的是微調專注於醫學的語言模型。研究團隊開發了包含指令和格式化為JSONL的出院記錄的大型文本數據集，經過三個關鍵階段的處理，最終得到51,385組有效數據，平均ROUGE分數為0.185。評估顯示，GPT-3.5的有效性率達88.0%，接近人類標註者的88.5%。這項研究顯示了自動化創建醫學自然語言處理數據集的潛力。 PubMed DOI

Large Language Model Prompting Techniques for Advancement in Clinical Medicine.
臨床醫學進步的大型語言模型提示技術。 J Clin Med 2024-09-14

大型語言模型（LLMs）有潛力顯著改變臨床醫學，能改善醫療服務的可及性、增強診斷、協助手術規劃及促進教育。不過，這些模型的有效運用需謹慎設計提示，以應對幻覺和偏見等挑戰。理解標記化、嵌入和注意力機制等關鍵概念，以及運用策略性提示技術，對生成準確輸出至關重要。AI技術與醫療專業人員的合作、重視倫理問題如數據安全和偏見緩解，能提升醫療服務質量與可及性。持續的研究與發展對於發揮LLMs在醫療領域的潛力至關重要。 PubMed DOI

Off-the-shelf Large Language Models (LLM) Are Of Insufficient Quality To Provide Medical Treatment Recommendations, While Customization of LLMs Result In Quality Recommendations.
現成的大型語言模型 (LLM) 在提供醫療治療建議方面的質量不足，而定制化的 LLM 則能產生高質量的建議。 Arthroscopy 2024-10-05

現成的大型語言模型（LLMs）在準確性上常反映互聯網上的不準確資訊，對於常見的肌肉骨骼疾病，治療建議的錯誤率高達30%。這顯示出諮詢專家的必要性。定制的LLMs則能整合各醫學領域的專業知識，方法包括： 1. **提示工程**：設計特定提示以獲得更佳回應。 2. **檢索增強生成（RAG）**：從目標數據集中檢索相關資訊。 3. **微調**：調整模型以理解醫療術語。 4. **代理增強**：利用軟體協調多個LLMs，優化輸出並引入人類監督。這些定制的LLMs幫助醫生在數位環境中重新掌握權威，確保醫療專業知識的準確性。 PubMed DOI

Understanding and training for the impact of large language models and artificial intelligence in healthcare practice: a narrative review.
理解與訓練大型語言模型及人工智慧在醫療實踐中的影響：一篇敘事性回顧。 BMC Med Educ 2024-10-07

大型語言模型（LLMs）在專業考試中表現出色，讓人對其在臨床實踐中的應用感到興奮。不過，這需要臨床醫師技能的轉變。我們的回顧指出，醫療專業人員需發展以下能力： 1. **跨學科訓練**：結合醫學知識與AI技術的理解。 2. **批判性思維**：評估AI生成內容的能力。 3. **溝通技巧**：有效與患者及團隊溝通AI見解。 4. **倫理與專業精神**：重視AI使用的倫理影響。 5. **適應能力**：持續學習以跟上AI進步。這些領域的重視將幫助醫師有效利用LLMs，提升患者治療結果並降低風險。 PubMed DOI

Exploring the effectiveness of instruction tuning in biomedical language processing.
探索指令調整在生物醫學語言處理中的有效性。 Artif Intell Med 2024-11-14

這項研究探討如何透過指令調整來提升大型語言模型（LLMs）在生物醫學自然語言處理任務的表現，像是命名實體識別（NER）、關係提取（RE）和醫學自然語言推理（NLI）。研究團隊使用約20萬個專注於指令的樣本來訓練模型，目的是達到與BioBERT和BioClinicalBERT等專門模型相當的效果。他們還分析了數據集的組成對模型表現的影響，並希望分享研究結果、代碼和模型，以促進該領域的進一步發展。 PubMed DOI

Demystifying Large Language Models for Medicine: A Primer.
醫學領域大型語言模型的解密：入門指南。 ArXiv 2025-01-13

這篇文章介紹了一個結構化的方法，幫助醫療專業人員有效運用大型語言模型（LLMs）。重點在於LLMs在臨床文檔和病人試驗匹配等醫療任務中的潛力。方法包括五個關鍵步驟： 1. **任務制定**：找出適合LLM的醫療任務。 2. **選擇LLMs**：根據需求選擇合適的模型。 3. **提示工程**：設計有效的提示來引導回應。 4. **微調**：調整LLMs以符合醫療應用。 5. **部署**：考慮法規、倫理及持續監測公平性。目的是提供醫療人員安全有效整合LLMs的指導。 PubMed DOI

Towards evaluating and building versatile large language models for medicine.
朝向評估與建構多功能大型語言模型於醫學領域。 NPJ Digit Med 2025-01-26

這項研究介紹了 MedS-Bench，旨在評估大型語言模型（LLMs）在臨床環境中的表現，涵蓋11個關鍵臨床任務。我們評估了九個知名的 LLM，發現它們在面對這些任務時表現不佳。為了解決這些問題，我們創建了 MedS-Ins，這是一個針對醫療應用的大規模指令調整數據集，包含58個醫療語料庫和500萬個實例。透過實驗，我們展示了該數據集的有效性，並開發出改進的模型 MMedIns-Llama 3。我們已公開 MedS-Ins，並鼓勵研究社群參與進一步發展。 PubMed DOI

Bridging the gap: a practical step-by-step approach to warrant safe implementation of large language models in healthcare.
填補空白：確保大型語言模型在醫療保健中安全實施的實用逐步方法。 Front Artif Intell 2025-02-11

這篇論文針對醫療領域中安全實施大型語言模型（LLMs）的需求，提供了具體指導方針。雖然LLMs有助於改善醫療功能，但目前缺乏實用建議。作者提出逐步方法，包括保護病人隱私、調整模型以符合醫療需求、微調超參數、設計醫療提示、區分臨床決策支持應用、評估輸出質量及建立模型治理框架。此外，論文介紹了ACUTE助記符，幫助評估LLM回應的準確性、一致性、語義不變性、可追溯性及倫理考量，旨在協助醫療機構安全整合LLMs。 PubMed DOI

A Review of Large Language Models in Medical Education, Clinical Decision Support, and Healthcare Administration.
大型語言模型在醫學教育、臨床決策支持和醫療管理中的綜述。 Healthcare (Basel) 2025-03-28

大型語言模型（LLMs）在醫療保健中展現出顯著潛力，能增強醫學教育、臨床決策支持及醫療管理。文獻回顧顯示，LLMs可作為虛擬病人和個性化導師，並在醫學知識評估中超越初級實習生。在臨床決策中，它們協助診斷和治療建議，但效果因專科而異。此外，LLMs能自動化臨床筆記和報告生成，減輕醫療人員的負擔。然而，仍需解決幻覺、偏見及病人隱私等挑戰。未來的整合需謹慎，並強調倫理與合作。 PubMed DOI

原始文章

站上相關主題文章列表