Merging Clinical Knowledge into Large Language Models for Medical Research and Applications: A Survey
作者: Qiyuan Li, Haijiang Liu, Caicai Guo, Deyu Chen, Meng Wang, Feng Gao, Jinguang Gu
发布时间: 2025-03-03
来源: arxiv
研究方向: 医学领域中的大型语言模型（Medical LLM）构建与应用
主要内容
该论文对医学领域中的大型语言模型（Medical LLM）进行了全面的综述，涵盖了从数据收集、模型构建、评估方法到实际应用等多个方面。论文主要关注如何将临床知识融入LLM，以提高其在医学研究和实际应用中的性能。
主要贡献
1. 对医学领域中的LLM构建与应用进行了全面的综述。
2. 分析了医学数据库、数据集、构建方法和评估系统。
3. 比较了学术研究和工业产品中的LLM。
4. 讨论了研究和实践中的挑战以及未来的研究方向。
研究方法
1. 数据收集：从公开的医学数据库和数据集中收集数据。
2. 模型构建：使用预训练的LLM和临床数据集进行微调。
3. 知识图谱整合：将医学知识图谱与LLM结合，以增强其知识理解和应用能力。
4. 评估方法：使用自动评估和人工评估方法来评估LLM的性能。
实验结果
论文展示了不同LLM在医学任务上的性能，包括医学问答、医学对话、医学文本生成和医学知识图谱构建等。实验结果表明，LLM在医学任务上具有很好的性能，但仍存在一些挑战，如数据标注质量、数据分布不均、模型可解释性不足等。
未来工作
未来研究应关注以下方面：1）提高医学知识库的质量和完整性；2）提高模型的可解释性和透明度；3）开发更有效的评估方法；4）将LLM与临床实践紧密结合，以提高其在医疗场景中的应用价值。