通过使用最佳可用证据赋予医疗决策和实践更好的质量，循证医学旨在改善医疗保健。然而，医学证据的快速增长来自不同的来源，这在收集、评估和综合证据信息方面带来了挑战。最近发展的生成 AI 模型，如大型语言模型，有望在简化艰巨任务方面发挥作用。然而，开发负责任、公平和包容的模型仍然是一项复杂的工作。在这个视角中，我们讨论了生成 AI 在自动摘要医学证据的情境中的可信度问题。

Nov, 2023

AI 和生成 AI 工具在研究发现和总结方面具有重要作用，通过生成语言模型可以更快地找到相关文献并提取研究论文的关键要点，对统计学家和数据科学家具有重要意义。

Jan, 2024

使用生成式人工智能来简化科学传播并增强公众对科学的信任的效果进行了评估。通过比较国家科学院期刊（PNAS）的科学摘要与由人工智能生成的摘要，研究评估了这些摘要的语言简明性和公众认知情况。研究结果表明，人工智能生成的简明摘要相较于复杂的人工摘要对科普传播具有更多的优势，有助于提升公众对科学家的可信度和信任度。因此，将人工智能技术引入科学传播领域推广，有助于建立一个更加知情的社会。

Apr, 2024

利用 TrialMind 等基于 LLMs 的人工智能模型，我们介绍了一种为进行医学系统评价而设计的生成型 AI 流水线。通过结合人类专家的监督，我们证明了 TrialMind 显著提高了文献综述的过程，并在从超过 2000 万篇 PubMed 文章中搜索研究、筛选研究和提取结果的过程中取得了优异的性能。结果还显示，与 GPT-4 基准相比，八位人类评估者更喜欢 TrialMind，其有效率提升了临床研究的效率。

Jun, 2024

本文介绍了一个新的自动生成生物医学科学综述文献简化版的任务，并通过分析各种挑战，实验和评估，展示了使用现代神经架构自动生成的简化版摘要可以达到良好的质量和可读性。

Dec, 2020

通过整合源文章中引用的外部论文，本研究旨在提高语言模型在生物医学抽象摘要中的表现。我们提出了一种基于注意力的引文聚合模型，该模型整合了引文论文中的领域特定知识，使神经网络能够利用论文内容和引文论文的相关知识来生成摘要。此外，我们构建并发布了一个大规模的生物医学摘要数据集，为我们的研究奠定了基础。广泛的实验表明，我们的模型优于现有方法，在生物医学抽象文本摘要中取得了显著的改进。

Oct, 2023

该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子，生成一个简洁的摘要，用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。

Apr, 2022

使用文献计量学文本挖掘和摘要技术对科学文献进行自动生成，利用引文生成摘要，通过 C-LexRank 对单篇文章进行摘要提取，同时拓展到一系列科学文献的摘要提取和分析，证明引文是创建摘要的一种独特信息资源。

Feb, 2014

本研究基于 GPT-3 模型自动生成科学论文摘要，通过机器学习模型结合多种文本表示方法来辨别机器生成文本，并分析模型性能及讨论相关研究问题，旨在揭示人工智能生成文本的能力和局限性。

Apr, 2023

通过添加领域特定本体信息增强内容选择和摘要生成，我们的序列到序列抽象式摘要模型的应用于放射学报告数据集，能够显著优于当前最先进的方法，同时经过放射学家的人类评估，表明该方法生成的摘要不太可能省略重要细节，而且读起来依然具有可读性和准确性。

May, 2019