放射学开源大型语言模型:实践研究和临床部署的审查和教程
Cody H Savage1, Adway Kanhere1, Vishwa Parekh1
1From the University of Maryland Medical Intelligent Imaging (UM2ii) Center, Department of Diagnostic Radiology and Nuclear Medicine, University of Maryland School of Medicine, 22 S Greene St, Baltimore, MD 21201 (C.H.S., A.K., V.P., F.X.D.); Departments of Radiology, Medicine, and Biomedical Data Science, Stanford University, Palo Alto, Calif (C.P.L.); Department of Computer Science and Electrical Engineering, College of Engineering and Information Technology, University of Maryland, Baltimore County, Baltimore, Md (A.J.); Department of Computer Science, University of Maryland, College Park, College Park, Md (H.H.); and University of Maryland Institute for Health Computing, University of Maryland, North Bethesda, Md (H.H., F.X.D.).
本教程指导了放射学开源大语言模型 (LLM) 的实施,为医疗专业人员和研究人员提供了比专有LLM的优势. 它提供了实际的工具和技术,以更容易地采用和定制.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 大型语言模型 (LLM) 提供了改善医疗保健提供和临床工作流程的巨大潜力.
- 然而,将LLM整合到医疗保健中带来了与准确性,隐私,可访问性和监管有关的挑战.
- 虽然专有LLM已经引起了人们的注意,但开源LLM为医疗机构和研究人员提供了明显的优势.
研究的目的:
- 为在放射学中实施开源LLM提供一个全面的教程.
- 突出开源与专有LLM在医疗环境中的好处和缺点.
- 为在放射学工作流程中使用开源LLM提供实用指导和代码.
主要方法:
- 这篇文章介绍了一个专注于开源LLMs的实施的教程.
- 它包括文本生成工具的示例和提示工程技术,检索增强生成和微调技术.
- 提供了准备实施的代码,以促进本地设置和定制.
主要成果:
- 与专有模型相比,开源LLM为医疗机构和研究人员提供了关键优势.
- 该教程解决了在实施开源LLM的常见挑战,如基础设施和定制.
- 讨论包括流行的开源LLM和最近的进步的区分特征.
结论:
- 开源的LLM是放射学专有模型的可行和有利的替代方案.
- 本教程旨在降低在医学研究和实践中使用开源LLM的入门障碍.
- 通过可访问的工具和社区支持,可以促进开源LLM的进一步采用.
