自然语言处理（NLP）在过去几个月里取得了长足的进步，尤其是引入了大型语言模型（LLM）。像GPT、PaLM、LLaMA等模型由于其在文本生成、摘要生成和问题回答等多种NLP任务方面的能力，已经获得了很大的流行度。研究人员一直致力于将LLM的力量用于医疗领域。
医疗LLM包括ChatDoctor、MedAlpaca、PMC-LLaMA、BenTsao、MedPaLM和Clinical Camel，用于改善患者护理和支持医疗从业人员。尽管当前的医疗LLM已经显示出良好的结果，但仍然存在一些需要解决的挑战。许多模型忽视了类似对话和问答等临床环境中的生物医学NLP任务的实际价值。医疗LLM在诸如电子病历（EHR）、出院小结生成、健康教育和护理计划等临床情景中的潜力已成为最近努力的研究课题；然而，这些模型经常缺乏共同的评估数据集。
另一个缺点是目前使用的大多数医疗LLMs仅根据其回答医疗问题的能力来评估候选人，忽视了其他重要的生物医学任务，如信息检索、文本生成、关系抽取和文本摘要。为了克服这些问题，一组研究人员在探索医疗LLM的不同方面时进行了一项研究，回答了以下五个主要问题。
- 创建医疗LLMs：第一个问题旨在调查创建医疗LLMs的方法和因素。这包括理解创建这些模型背后的思想，以及它们的结构、训练集和其他相关要素。
- 评估医疗LLMs在下游任务中的表现：第二个问题集中于评估医疗LLMs在实际情况下的实际结果或表现。这包括评估这些模型在真实世界情况下的表现，特别是在临床医学相关任务方面。
- 在实际临床实践中使用医疗LLMs：第三个问题探讨了医疗LLMs在临床环境中的实际使用情况。这包括调查如何将这些模型纳入医疗从业人员的常规工作流程中，以改善沟通、决策和患者护理。
- 应用医疗LLMs带来的问题：第四个问题认识到使用医疗LLMs存在障碍，就像使用任何其他技术一样。为了在医疗环境中负责任地和成功地实施这些模型，可能需要解决一些障碍，包括道德问题、模型中的潜在偏见和可解释性问题。
- 成功构建和应用医疗LLMs：最后一个问题询问未来，以阐明改进医疗LLMs的设计和应用，以确保医疗LLMs继续成为医疗行业中有用的工具。
总之，本调查广泛分析了医疗领域中的LLMs。它总结了从10种不同的生物医学活动中获得的评估，并详细概述了它们的应用。通过解决关键问题，该研究旨在提供对医疗LLMs的全面了解，鼓励更深入的分析、团队合作和医疗AI领域的更快发展。