這項研究提出了一種名為i-MedRAG的創新方法，旨在提升大型語言模型（LLMs）在醫學問答的能力。傳統的檢索增強生成（RAG）系統在處理複雜查詢時常遇到困難，而i-MedRAG透過迭代生成後續查詢來克服這一挑戰。實驗結果顯示，i-MedRAG在美國醫學執照考試（USMLE）和MMLU數據集上表現優異，尤其在MedQA數據集上達到69.68%的準確率。這項研究展示了如何有效整合後續查詢，為醫學問題提供更深入的見解。 PubMed DOI

這項研究探討了增強檢索生成（RAG）的GPT-4模型在診斷和分類創傷性傷害的效果。研究人員開發了名為TraumaCB的工具，利用專家知識來提升準確性。結果顯示，TraumaCB在診斷上達到100%準確率，分類96%，明顯優於一般的GPT-4。這項研究強調了傷害分類的挑戰，並指出結合RAG的GPT-4能提升創傷放射學的診斷能力，對急診部門的效率有正面影響。 PubMed DOI

本研究探討如何透過檢索增強生成（RAG）提升大型語言模型（LLMs）對臨床指引的遵循性，特別針對加拿大放射學指引中的肝膽系統發現。研究建立自訂RAG架構，測試GPT-4o和o1-mini兩個模型，分析遵循率、可讀性及反應時間。結果顯示，啟用RAG後，GPT-4o遵循率從81.7%提升至97.2%，o1-mini則從79.3%提升至95.1%。RAG模型在可讀性上有所改善，反應時間略長但仍可接受。此方法顯示增強基於證據的護理潛力，值得在臨床中進一步驗證。 PubMed DOI

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

這篇論文提出 i-MedRAG，一種讓大型語言模型能多輪追問、回答的醫學問答方法，比傳統 RAG 更能處理複雜醫學問題。實驗證明，i-MedRAG 在 USMLE 和 MedQA 等資料集表現更好，且不需微調就達到頂尖水準，也是首度把多輪追問機制用在醫學 RAG 系統的研究。 PubMed DOI

RAG（檢索增強生成）能結合外部資料，讓大型語言模型在醫療領域的回應更精確，像是診斷、臨床決策和資訊擷取都更有幫助。研究發現，RAG在解讀指引、診斷和臨床試驗篩選等表現都比傳統方法好。不過，目前在評估標準、成本和減少AI幻覺上還有待加強，未來還需要持續優化並強化與醫療專業的合作。 PubMed DOI

這篇研究說明，透過RAG技術給大型語言模型補充相關背景資訊，可以明顯提升醫療問答的準確度。作者也分享了實驗心得和優化建議，對想提升LLM醫療應用表現的研究人員很有幫助。 PubMed DOI

這項研究用RAG技術強化大型語言模型在醫學問答的表現，不用重新訓練模型。透過加入相關醫學事實，模型準確率明顯提升（像Vicuna-7B在MedQA-SMILE從44.46%進步到48.54%），證明RAG能讓LLM在專業領域更有效率，也更透明。 PubMed

大型語言模型能幫助放射科減輕工作量，但還有像是亂編內容和資訊來源不明的問題。結合RAG技術能提升可靠性，但面對大量或複雜資料時還需改進。本文回顧LLMs最新進展及放射科應用案例，並提出未來研究方向。 PubMed DOI

這項研究發現，把像 Radiopaedia 這類專業放射科資料即時整合進大型語言模型（LLMs），能有效提升它們回答放射科問題的準確度，特別是 GPT-3.5-turbo 和 Mixtral-8 × 7B，甚至有時比人類專家還厲害，也能減少錯誤資訊。不過，這樣會讓回應速度變慢，大約多四倍。整體來說，結合專業資料能讓 LLMs 在醫療領域更可靠。 PubMed DOI