在醫療領域，先進的大型語言模型（LLMs）逐漸被應用，但在傳統中醫（TCM）方面的專業知識仍然不足。為了解決這個問題，我們開發了TCMChat，這是一個專門針對中醫文本和中文問答數據集訓練的生成性LLM。TCMChat基於Baichuan2-7B-Chat模型，經過預訓練和微調，並在六個中醫相關場景中表現優異。我們的資源已在GitHub和HuggingFace上公開，為中醫研究提供了有價值的工具和友好的對話介面。 PubMed DOI

大型語言模型（LLMs）在醫學領域的應用越來越受到重視，但在中醫方面的研究仍然有限。本研究回顧了29項相關研究，發現LLMs在知識提取和輔助診斷方面有潛力。專為中醫設計的模型在執業醫師考試中達到70%的準確率，而通用模型則為60%。不過，LLMs在中醫應用上仍面臨數據質量、安全性及中醫特有的複雜性等挑戰。未來應著重於跨學科訓練和數據標準化等方向。 PubMed DOI

這項研究旨在利用現代數據技術提升中醫病例記錄的可及性與分析能力。研究分析了679份來自新安醫學王仲期醫師的病例，涵蓋41種疾病，並建立了模式層來整合數據與可視化。透過大型語言模型（LLM），自動識別病例中的關鍵資訊，並建立中醫病例知識圖譜。開發的查詢系統在性能評估中表現優異，顯示結合LLM與知識圖譜能顯著提升中醫資訊檢索的效率與準確性，未來將擴展數據集與精進查詢系統。 PubMed DOI

這項研究開發了一個基於檢索增強生成的醫生推薦模型（RAGPR），旨在提升網路醫療服務中的個人化推薦。研究針對排班人員手動分診的限制，使用廈門大學第一附屬醫院的646,383份諮詢紀錄進行評估。結果顯示，SBERT和OpenAI的表現優異，F1分數分別達到95%和96%。在大型語言模型中，GPT-4o表現最佳，F1分數為95%。整體而言，RAGPR模型在提升醫療服務的準確性和個人化方面展現良好潛力，提供可擴展的病患與醫生匹配解決方案。 PubMed DOI

這項研究探討將大型語言模型（LLMs），如GPT，融入傳統中醫（TCM）的可能性，旨在現代化和全球化這個領域。中醫因專業術語和診斷方法的複雜性，面臨數位化和個性化的挑戰。雖然LLMs在語意理解上有潛力，但在準確性和邏輯推理上仍有不足，可能產生不可靠的結果。研究回顧現有文獻和實證數據，評估LLMs在中醫的潛在好處與挑戰，並討論未來的發展方向。 PubMed DOI

這篇論文介紹了TCM-KLLaMA模型，這是一個先進的中醫處方生成系統，旨在克服現有方法的不足。傳統方法過於依賴症狀，忽略了舌診和脈診等重要因素，可能導致醫療建議不準確。TCM-KLLaMA透過整合中醫知識圖譜，提升處方準確性，並使用改良的Chinese-LLaMA2-7B模型，新增輸出層和損失函數以減少幻覺。此外，還採用建議同義詞和匹配知識注入的微調機制。實驗結果顯示，TCM-KLLaMA在精確度和F1分數上顯著優於基準模型，證明其在生成準確中醫處方方面的有效性。 PubMed DOI

這篇論文回顧AI，特別是大型語言模型在中醫診斷的應用，整理了機器學習在中醫影像、文字、波形等資料上的進展，並分析LLMs的最新應用。文中也討論AI導入中醫的機會與挑戰，期望為未來研究和智慧中醫診斷技術融入醫療體系提供參考。 PubMed DOI

這篇綜述探討大型語言模型（LLMs）如何協助中醫與現代醫學整合，指出目前缺乏統一標準是主要障礙。文章回顧不同領域的LLMs，分析其架構、訓練資料及限制，並提出利用LLMs彌補兩者差距的解方。最後認為AI有機會結合兩種醫療體系優勢，推動更個人化且有效的健康照護。 PubMed DOI

這項研究打造了專為慢性下背痛設計的臨床決策支援系統，結合大型語言模型、RAG和LtM提示，讓AI更貼近專家思考。客製化的CLBP-GPT在準確性、相關性等表現都勝過現有主流模型，能提供更精確、完整的診斷與治療建議，有助提升患者的個人化照護品質。 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