這項研究探討大型語言模型（LLMs）在精神科訪談中的應用，特別針對北韓脫北者的心理健康挑戰。研究目標是確認LLMs能否有效識別精神病症狀並總結壓力源。主要任務包括提取壓力源、識別症狀及總結訪談內容。結果顯示，使用GPT-4 Turbo模型後，73個記錄片段準確關聯精神病症狀，經微調後性能提升，平均準確率達0.82。LLMs生成的摘要在連貫性和相關性上得分高，顯示其在心理健康領域的潛力。 PubMed DOI

這項研究提出了一種新穎的增強檢索生成（RAG）系統，結合微調的大型語言模型（LLMs）與向量數據庫，充分發揮結構化數據檢索的優勢。主要方法包括LoRA和QLoRA，專注於高效的參數微調和記憶優化。獨特之處在於納入用戶反饋，讓模型持續適應用戶需求，提升性能。此外，研究還引入量化影響度量（QIM）作為AI評審機制，增強結果選擇的準確性。這些成果為未來聊天機器人技術的發展提供了重要見解，並已公開相關數據集和工具供社群使用。 PubMed DOI

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

這項研究探討了檢索增強生成（RAG）技術如何提升大型語言模型（LLMs）在乳腺癌護理中的效能。研究比較了兩組：一組使用GPT-4模型，另一組則結合RAG技術。結果顯示，RAG-GPT組在整體滿意度（8.4對5.4）和回答準確性（8.6對5.6）上明顯優於對照組，且差異具統計意義（p < 0.01）。不過，兩組在同理心得分上無顯著差異（8.4對7.8，p > 0.05）。結論指出，RAG技術能有效提升LLMs在臨床護理中的表現，顯示其在護理實踐和教育上的潛力。 PubMed DOI

這項研究開發了一個聊天機器人，目的是早期識別青少年的抑鬱症狀，並解決精神科服務接觸率低的問題。研究分為兩個步驟： 1. **數據收集與分析**：對53名青少年進行標準化訪談，產生4,077對問答，訓練出一個準確率高達97%的模型，能有效區分有無抑鬱症的青少年。 2. **使用Chat GPT生成數據**：為增強數據集，研究利用Chat GPT生成額外語句，發現有效的提示工程具有挑戰性，但成功策略是平衡提示長度與示例數量。 總體來看，這項研究顯示分析青少年語言模式能有效識別抑鬱症狀，而Chat GPT則是創建合成數據的好工具。 PubMed DOI

這項研究探討了HoMemeTown Dr. CareSam的開發與評估，這是一個支援英語和韓語的心理健康聊天機器人。研究針對20位18到27歲的韓國年輕人進行，機器人提供感恩日記和風險檢測等功能。結果顯示用戶在積極性、支持和同理心方面滿意度高，但在專業性和內容複雜性上仍需改進。雖然該聊天機器人展現潛力，但小樣本和短期研究顯示需進一步擴大臨床試驗以提升其有效性。 PubMed DOI

基因學的進展讓基因諮詢需求增加，但合格的諮詢師卻短缺，因此有興趣利用大型語言模型（LLMs）來輔助基因諮詢。本研究針對日本基因諮詢LLMs（JGCLLMs）進行探索，評估了提示工程、檢索增強生成（RAG）和指令調整三種技術的效果。結果顯示，RAG在改善基因諮詢的關鍵指標上特別有效，而其他兩者效果較差。研究也揭示了倫理問題，強調在這些系統應用於醫療前，需持續改進與謹慎評估。 PubMed DOI

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

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

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