该内容仅供订阅者使用
自然语言处理（NLP）系统长期以来一直严重依赖预训练语言模型（PLMs）进行各种任务，包括语音识别、隐喻处理、情感分析、信息提取和机器翻译。随着最新的发展，PLMs 正在快速变化，并且新的发展显示它们可以作为独立的系统运行。这种方法的重要进展是由OpenAI开发的大型语言模型（LLMs），如GPT-4，它们在NLP任务以及生物学、化学和医学测试等学科中表现出了改进的性能。谷歌的Med-PaLM 2开启了一个新的可能性时代，该模型专门为医疗领域设计，并在医学问题数据集上达到了“专业”级别的性能。
LLMs可以通过提高众多应用的效力和效率来改变医疗保健行业。由于它们对医学思想和术语有透彻的理解，这些模型可以为医疗问题提供有见地的分析和答案。它们可以在患者互动、临床决策支持甚至医学影像解读方面提供帮助。LLMs也存在一些缺点，包括对大量训练数据的需求以及可能传播数据中的偏见。
在最近的一项研究中，一个研究团队对LLMs在医疗保健中的能力进行了调查。为了理解从PLMs到LLMs的显著改进，有必要对比这两种类型的语言模型。虽然PLMs是基础构建模块，但LLMs拥有更广泛的功能范围，使其能够在医疗保健环境中产生连贯、有上下文意识的回答。从PLMs到LLMs的转变可以看作是从区分性人工智能方法（模型分类或预测事件）到生成性人工智能方法（模型生成基于语言的答案）的转变。这种转变进一步突显了从以模型为中心到以数据为中心的转变。
LLM领域有许多不同的模型，每个模型都适用于特定的专业领域。专门为医疗保健行业定制的知名模型包括华佗GPT、Med-PaLM 2和Visual Med-Alpaca。例如，华佗GPT会主动向患者提问，而Visual Med-Alpaca与视觉专家合作进行诸如放射学图像解释等工作。由于其多样性，LLMs能够解决各种与医疗保健相关的问题。
训练数据集、技术和优化策略对LLMs在医疗应用中的性能有重大影响。调查探讨了在医疗环境中创建和优化LLMs的技术要素。在使用LLMs进行医疗保健时存在一些实际和伦理问题。在涉及患者护理时，确保公正、责任、透明和伦理尤为重要。医疗保健应用必须没有偏见，遵循道德准则，并对其答案给出清晰的解释。
研究团队对主要贡献进行了总结，具体如下：
- 分享了从PLMs到LLMs的过渡路径，提供了新进展的更新。
- 重点关注了在医疗保健行业中为LLMs组合培训材料、评估工具和数据资源，以帮助医学研究人员选择适合其个体需求的最佳LLMs。
- 对公正性、平等性和透明性等伦理问题进行了研究。