OpenMedLM是一個開源的醫學語言模型，在醫學基準測試中表現優異，且無需大量微調。透過提示策略，OpenMedLM在三個醫學語言模型基準測試中取得領先地位，超越其他模型。這顯示開源基礎模型在提升醫療任務表現方面具有潛力，同時也凸顯提示工程對於醫學應用中易用的語言模型的重要性。 PubMed DOI

最近的研究顯示，對比語言-圖像預訓練（CLIP）在多項任務中表現優異，但傳統方法需大量GPU資源，對醫療應用造成限制。為了解決這些問題，我們提出了一種新方法，稱為CLEFT，結合高效的大型語言模型與提示微調。這種方法縮小了臨床數據與簡單標籤之間的差距，並在胸部X光和乳腺攝影等數據集上達到最先進的性能。更重要的是，我們的框架將可訓練模型大小減少39%，使其在醫療應用中更具實用性。 PubMed DOI

所提的PromptLLM方法針對生成新疾病的放射科報告，特別是在標記數據有限的情況下，提供了解決方案。它包含三個步驟： 1. **對齊**：將影像與文本報告對齊，從已標記的疾病中提取知識。 2. **自編碼**：利用新疾病的未標記數據訓練語言模型，掌握相關知識與寫作風格。 3. **提示**：用獲得的知識提示LLM，生成針對新疾病的準確報告。 這方法在僅用1%訓練數據的情況下，能有效生成報告，減少對大型標記數據集的依賴，提升新興疾病的數據分析能力。相關代碼與數據已在GitHub公開。 PubMed DOI

大型語言模型正在改變醫療領域，特別是在臨床決策支持和資訊提取方面。這些模型的語言理解能力幫助病理學家從知識庫中檢索準確資訊以進行診斷。我們提出了一個框架，結合檢索增強生成技術與提示工程，並提供了涵蓋腎臟疾病的臨床數據語料庫。透過多樣的提示技術，模型在疾病診斷的表現顯著提升，特別是在上下文相關性上獲得完美的1.0分，顯示出優秀的對話對齊能力。 PubMed DOI

這篇文章探討大型語言模型（LLMs），特別是生成預訓練變壓器（GPTs）在醫學和放射學的影響。重點在於優化技術，如提示工程和微調，以提升模型的準確性，讓像GPT-4這樣的模型能適應特定任務。儘管這些模型潛力無窮，文章也指出實施過程中的挑戰，包括複雜性、幻覺、偏見和安全風險等問題。作者希望為放射科醫師提供LLMs的基礎知識和最佳實踐，並探討這些技術在放射學中的應用及其限制。 PubMed DOI

這篇論文提出一種全新的 soft prompt-tuning 方法，專門用來分類醫療短文本，像是對話紀錄或線上諮詢。透過自動產生模板和擴充標籤詞彙，能更精準處理醫療術語和複雜單位。實驗證明，這方法不只提升分類準確率，也讓結果更容易理解，有效解決醫療短文本分類的難題。 PubMed DOI

這篇文章介紹了幾種常見的提示工程技巧，像是 zero-shot、few-shot 和 chain-of-thought，說明它們如何幫助提升 AI 在介入放射學領域的表現。內容也討論資料隱私、法規等挑戰，並展望未來像檢索增強生成、多模態模型等新方向。 PubMed DOI

這項研究用標準化、針對人類優化的提示語，讓大型語言模型標註六家醫院的放射科報告，結果 Llama 3.1 70b 在不同報告和機構間都很準確且一致。顯示只要設計好提示語，LLMs 在各種臨床環境下都能穩定標註。未來會再加強提示語的通用性和模型穩定性。 PubMed DOI

這項研究提出結合特徵摘要、思路鏈推理和混合型RAG架構的新提示工程方法，能提升大型語言模型判讀胸部CT報告、診斷肺部疾病的準確度。用2,965份報告測試，結果比傳統深度學習和其他提示法更準，外部驗證也表現優異。此方法不僅提升可解釋性，也有助臨床更精確診斷。 PubMed DOI

這項研究評估多種大型語言模型，利用提示工程從胃鏡和大腸鏡報告中擷取結構化資訊。結果顯示，大型且專業化的模型在基本資訊擷取表現最好，但遇到複雜推理時仍有限制。少樣本學習對部分模型有幫助，顯示LLMs自動化醫療文本分析有潛力，但還需改進。 PubMed DOI