综合医学中的大型语言模型:进展,挑战和机遇

科学领域:

• 人工智能在医学中的应用
• 综合性医疗保健 综合性医疗保健
• 计算语言学 计算语言学

背景情况:

• 整合传统中医 (TCM) 与现代医学面临的挑战是由于缺乏统一的框架和标准化的诊断标准.
• 大型语言模型 (LLM) 显示出协调不同医疗系统的希望,但它们在整合医学中的应用尚未得到充分探索.
• 现有的LLM往往缺乏针对TCM和现代医学的细微差别的领域特定培训,这限制了他们在整合性任务中的有效性.

研究的目的:

• 系统地审查LLMs的开发,部署和挑战,以协调现代医学和TCM.
• 确定可行的策略,以推进LLMs在综合医学中的应用.
• 探索LLMs的潜力,以将TCM的经验知识与现代医疗系统相结合.

主要方法:

• 总结了现有的普通,现代医学和TCM领域的LLM,详细介绍了模型结构,参数和训练数据.
• 进行了基准实验,以突出现有LLM在整合医学任务中的局限性.
• 分析了独特的应用,并讨论了整合医学LLM的发展挑战和潜在解决方案.

主要成果:

• 确定了显著的碎片化和缺乏标准化是整合TCM和现代医学的关键障碍.
• 在处理综合医学任务时,现有的通用领域和药物特定的LLM已经证明了其局限性.
• 突出了LLMs的独特潜在应用,例如在整合性环境中进行诊断支持和治疗建议等任务.

结论:

• 法学士课程提供了一个有前途的技术途径,可以将TCM的经验智慧与现代医学的系统方法相结合.
• 解决方法的碎片化和特定领域的培训对于有效的LLM部署在整合性医学中至关重要.
• 通过LLM,人工智能驱动的协同作用可以重新定义个性化护理,优化治疗结果,并促进整体医疗保健创新.