使用深度学习的语言模型在医疗领域的应用取代了以往使用知识图谱的方法。

Jan, 2023

人工智能在医疗保健领域的应用具有革命性，特别是在基于变压器的大型语言模型(LLM)的最新进展方面。本文研究了将符号推理与语言建模相结合，以改进对非结构化临床文本的理解的能力。我们展示了这种组合方式提高了从非结构化记录中提取多个医学变量的效果。此外，我们还展示了无广告商业免费LLM的检索能力与商业LLM相媲美。最后，我们阐述了通过符号推理对LLM进行引导的必要性，因为仅仅使用LLM会导致性能最低。

Aug, 2023

本研究探讨了大型语言模型在生成患者病情诊断解释方面的可靠性和有效性，实验证明大型语言模型生成的解释显著提高了医生对给定诊断的一致性，同时揭示了大型语言模型输出的潜在错误，在医疗保健领域中的潜力和挑战得到了强调，强调了在整合和评估过程中需要谨慎以确保患者安全和优化的临床效用。

Oct, 2023

通过综述大型语言模型在医学领域中的应用和意义，揭示了它们在知识检索、研究支持、临床工作流自动化和诊断辅助等方面的效用，并探索了多模态语言模型以及自动化代理在医疗保健中的发展潜力。然而，为了有效地将这些模型整合到临床实践中，需要不断优化和进行伦理监管。

Nov, 2023

大型语言模型在医疗保健领域的部署引发了热情和忧虑，本综述论文探讨了针对医疗保健应用设计的现有大型语言模型的功能，从传统的预训练语言模型到目前的医疗保健领域的大型语言模型发展轨迹，特别关注临床语言理解任务的潜力以及性能评估、挑战和限制。

Dec, 2023

综述医疗大型自然语言模型（Med-LLM）的进化历史、技术、应用以及对医疗保健的影响，涵盖临床决策支持、报告生成、医学教育等方面，探索其潜力和限制，并讨论公平性、责任感、隐私保护和鲁棒性等挑战，展望未来的发展方向。

Jun, 2024

临床问题解决需要处理语义医学知识，如疾病描述和诊断测试的数值医学知识进行循证决策。因此，我们评估了大型语言模型（LLMs）在数值和语义问题类型上的表现，并将其与人类进行比较。研究发现，LLMs在语义问题上的表现优于数值问题，在不同的医学方面存在差距，仍然不及人类，因此应该谨慎对待它们的医疗建议。

Jun, 2024

整合知识图谱和大型语言模型的medIKAL框架能够通过对实体的加权重要性和路径重新排序等策略提升电子病历的诊断能力，为临床推理和诊断带来了新的突破。

Jun, 2024

本研究针对大型语言模型在疾病诊断中的应用进行了全面分析，填补了目前研究中对特定疾病和模型技术的探讨不足。论文提出了数据预处理、模型选择和评估策略的指导方针，并概述了当前研究的局限性与未来方向。研究结果为利用大型语言模型进行疾病诊断提供了蓝图，有助于未来研究的系统化和指导。

Aug, 2024

本研究解决了大型语言模型（LLM）在医疗决策支持中存在的幻觉和缺乏细粒度上下文医学知识的问题。我们提出的KARE框架结合知识图谱社区检索与推理，构建多源知识图谱，提供精准的信息检索，从而显著提升医疗预测的准确性和可解释性，实验结果表明该框架在死亡率和再入院预测中超越了领先模型。

Oct, 2024