基於知識圖譜的檢索增強生成（KG-RAG）框架，成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜，KG-RAG優化了標記使用，提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%，同時保持準確性，顯著改善了對生物醫學提示的回應，並在基準數據集上提升表現，Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型，讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開，並提供生物醫學基準數據集供研究使用。 PubMed DOI

這篇論文提出了一種新方法，利用傳感器網絡驅動的知識圖譜進行情境學習（KG-ICL），以改善工業設備的故障診斷。它強調傳感器數據在故障識別和隔離中的關鍵角色，並透過建立特定領域的知識圖譜來捕捉專家知識。該方法使用長度實體相似度（LES）來提取相關資訊，並結合大型語言模型進行因果分析，提升故障診斷的準確性與效率。實驗結果顯示KG-ICL在識別故障原因和位置上非常有效，為工業環境的狀態監測和故障管理提供了強大工具。 PubMed DOI

這篇論文探討智慧駕駛艙的演變，強調傳統規則方法在理解使用者行為上的限制，導致開發的功能無法滿足真實需求。為改善這一點，建議使用知識圖譜（KGs）來組織和檢索資訊。作者提出GLM-TripleGen模型，專注於分析駕駛艙狀態與使用者行為的隱藏關係，並解決實體識別和關係提取的挑戰。透過創建數據集和使用低秩適應（LoRA）方法，實驗結果顯示該模型在生成駕駛艙三元單位方面表現優於現有方法，具備良好的穩健性和泛化能力。 PubMed DOI

高處墜落事故是工作場所傷害和死亡的主要原因，特別是在高處作業中。為了降低風險，墜落防護系統（FPS）至關重要，但設計和選擇有效的FPS仍具挑戰。本研究推出了一個針對高處墜落的知識圖譜（FFH-KG），透過整理事故數據，提供實證見解，協助設計師改善FPS設計。FFH-KG結合自然語言處理和機器學習，包含2,200個實體和4,820個關係，為安全規劃提供堅實基礎，並在案例研究中驗證其有效性，推動智能安全工程的進展。 PubMed DOI

這項研究探討如何將大型語言模型（LLMs）與知識圖譜結合，來有效篩選可能的緊急病人訊息，目的是提升病人安全，促使病人尋求即時護理。研究分析了1,020條來自范德堡大學醫療中心的訊息，並開發了四種緊急篩選模型。結果顯示，使用知識圖譜進行全球檢索的模型表現最佳，準確率達0.99，敏感性0.98，特異性0.99，顯著優於其他模型。研究建議進一步擴展知識圖譜並評估其對病人結果的影響。 PubMed DOI

這篇論文提出用大型語言模型（LLM）來解決機車維修數據標準化的問題，對提升RCM分析很有幫助。作者結合高品質數據、通用LLM和微調技術，開發了數據標準化工具和智慧問答系統。問答系統準確率很高，標準化工具也很快，大幅提升效率並減少人力和時間成本。 PubMed DOI

這項研究比較了ChatGPT-4、Google Gemini Advanced和自訂RAG模型在航太醫學知識與臨床推理的表現。RAG表現最好，但三者都有知識缺口和不穩定，臨床應用有風險。雖然LLM有潛力協助太空醫療，但準確性和可靠性還需加強，才能安全使用。 PubMed DOI

AI大型語言模型正改變風濕病學，但準確度和專業知識有限。RAG技術能結合即時專業資料，提升準確性、減少幻覺，並增強可信度。雖然目前在風濕病學應用還不多，但在臨床指引查詢、病史摘要、試驗招募和衛教等方面很有潛力，也有資料隱私優勢。整體來說，RAG是更可靠且具前景的AI應用方式。 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

單靠大型語言模型（LLMs）做高風險決策有風險，因為它們會出現幻覺和偏誤。這項研究提出結合醫師和LLM的混合系統，分析四萬多個診斷案例後發現，醫師和LLM合作比單獨使用任何一方都更準確，因為他們各有不同的優缺點。這種混合方式能提升醫療診斷的準確率。 PubMed DOI