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

Improving accuracy of GPT-3/4 results on biomedical data using a retrieval-augmented language model.
使用檢索增強語言模型提高 GPT-3/4 在生物醫學數據上的準確性。 PLOS Digit Health 2024-08-21

這項研究探討檢索增強生成（RAG）模型在回答擴散性大B細胞淋巴瘤（DLBCL）問題的效果，並與OpenAI的GPT-3.5、GPT-4及微軟的Prometheus進行比較。結果顯示，RAG模型在準確性和相關性上表現優於其他大型語言模型，且幻覺現象較少。雖然GPT-4和GPT-3.5在可讀性上較佳，但仍產生了許多不準確的資訊。研究強調了進一步探索不同模型架構及方法在專業領域的潛力。 PubMed DOI

PubMed Retrieval with RAG Techniques.
使用 RAG 技術進行 PubMed 檢索。 Stud Health Technol Inform 2024-08-23

這項研究探討如何透過檢索增強生成（RAG）來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合，旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估，結果顯示在答案的相關性上有不錯的表現，但也指出在基礎性和上下文相關性方面仍需改進。 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

Accuracy of Current Large Language Models and The Retrieval Augmented Generation Model in Determining Dietary Principles in Chronic Kidney Disease.
慢性腎病飲食原則的當前大型語言模型及檢索增強生成模型的準確性。 J Ren Nutr 2025-01-26

這項研究評估了不同大型語言模型（LLMs）和檢索增強生成（RAG）框架在提供慢性腎病（CKD）飲食指導的準確性。研究以2020年國家腎臟基金會的營養指導為基準，測試了四個聊天機器人（GPT-4、Gemini 和 Llama），並使用12個相關提示。結果顯示，Gemini 和 RAG 的準確性最高（中位數4.0），而 GPT-4 和 Llama 較低（中位數2.5和1.5）。研究建議針對特定領域定制LLMs，或利用指導方針增強RAG框架，以提高醫療保健中的準確性。 PubMed DOI

Evaluating base and retrieval augmented LLMs with document or online support for evidence based neurology.
評估具有文件或線上支持的基礎及檢索增強型 LLMs 在證據基礎神經學中的應用。 NPJ Digit Med 2025-03-04

這項研究探討大型語言模型（LLMs）和檢索增強生成（RAG）系統在管理基於證據的信息的效果，特別針對13項神經學指導方針和130個問題。結果顯示性能差異明顯，雖然RAG系統在準確性上有所提升，但仍可能產生有害回應。此外，RAG系統在處理案例型問題時表現不如知識型問題。研究強調需要進一步改進和規範，以確保RAG增強的LLMs在臨床上的安全使用。 PubMed DOI

Retrieval-Augmented Generation: Advancing personalized care and research in oncology.
檢索增強生成：推進腫瘤學中的個人化護理與研究。 Eur J Cancer 2025-03-11

檢索增強生成（RAG）透過整合最新數據，提升大型語言模型（LLMs）的準確性與上下文意識。這方法將文本轉為數值嵌入，幫助檢索與使用者查詢相關的數據片段，讓模型的回答更具時效性。在腫瘤學中，RAG能改善治療建議、增強臨床試驗匹配，並加速藥物開發。不過，RAG的效果取決於數據質量，偏見或不完整的信息可能導致錯誤結果，因此需謹慎實施並加強人類監督。 PubMed DOI

Enhancing Large Language Models with Retrieval-augmented Generation: A Radiology-specific Approach.
強化大型語言模型的檢索增強生成：一種放射科特定的方法。 Radiol Artif Intell 2025-03-12

這篇文章探討了一項研究，分析檢索增強生成（RAG）如何提升大型語言模型（LLMs）在放射學的表現。RAG 讓 LLMs 能夠即時訪問更新的知識庫，無需微調即可生成準確答案。研究中使用了來自 *RadioGraphics* 的 3,689 篇文章作為數據庫，並評估了五種 LLMs 在192道放射學考題中的表現。結果顯示，RAG 顯著提升了 GPT-4 和 Command R+ 的得分，特別是在與 *RadioGraphics* 相關的問題上，成功檢索並引用了相關資料。整體而言，RAG 在放射學任務中展現了提升 LLM 能力的潛力。 PubMed DOI

原始文章

站上相關主題文章列表