为医疗保健人工智能系统集成微调和检索增强生成:一个范围审查

科学领域:

• 人工智能在医学中的应用
• 临床信息学 临床信息学
• 生物医学自然语言处理

背景情况:

• 医疗保健中的大型语言模型 (LLM) 面临着幻觉和静态知识等挑战.
• 微调 (FT) 嵌入域推理,而检索增强生成 (RAG) 则提供动态的知识访问.
• 混合FT + RAG框架旨在提高LLMs的事实准确性和临床可靠性.

研究的目的:

• 综合医疗保健AI中混合微调和检索增强生成框架的证据.
• 评估FT + RAG系统在生物医学应用中的性能和特性.

主要方法:

• 对在医疗保健或生物医学任务中实施明确FT + RAG混合物的研究进行范围审查.
• 在PubMed,IEEE Xplore,Google Scholar和Embase中进行的搜索.
• 在基准模型,FT策略,RAG架构,应用程序和性能结果上提取数据.

主要成果:

• 七项研究符合纳入标准,始终显示FT + RAG系统的表现优于FT-only或RAG-only方法.
• 指出了参数效率高的FT方法 (例如LoRA) 和各种RAG实现.
• 益处包括提高准确性,减少幻觉,增加临床医生的偏好和可行性.

结论:

• FT + RAG框架为临床基础的医疗保健AI提供了一个有希望的途径.
• 这些混合体将特定领域的推理与透明,最新的检索相结合.
• 未来的研究应该集中在标准化评估,工作流集成和安全部署的治理上.