评估医学应用中的大型语言模型：一项调研
内容提要
大型语言模型（LLMs）在医疗保健领域的应用受到广泛关注。本文综述了LLMs在医学中的发展与应用，特别是在癌症诊断和牙科等领域的潜力，同时强调了评估方法和面临的挑战。随着技术进步，LLMs有望提升医疗质量，但需关注伦理监管和临床整合问题。
延伸解读
从PLMs到LLMs：方法论的根本转变
文章指出，医学语言模型正经历从传统预训练语言模型（PLMs）向大型语言模型（LLMs）的范式转变。这一转变不仅体现在模型规模上，更涉及方法论的根本变化：从判别式人工智能转向生成式人工智能，从以模型为中心转向以数据为中心。这意味着医疗AI的开发重点可能从精心设计模型架构，转向如何获取、管理和利用大规模医疗数据，对医疗机构的IT基础设施和数据治理能力提出了新要求。
评估是临床落地的关键门槛
综述多次强调评估LLMs的方法和维度是研究的重要组成部分，并突出了验证需求。文章提到对LLMs在七个任务和十三个数据集上的综合性能进行了关键性评估，同时总结了成功案例、失败案例和未来挑战。这表明，尽管LLMs在知识检索、研究支持和诊断辅助等方面展现出效用，但缺乏系统评估和验证可能阻碍其临床整合。医疗从业者应关注模型在具体任务中的表现差异，而非仅凭通用能力判断其临床适用性。
多专科应用与多模态趋势
文章探讨了LLMs在癌症诊断、牙科学、肾脏病学、皮肤科等多个医学专业中的应用，并介绍了不同领域的方法学、数据类型和输入格式。此外，综述还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。这说明LLMs的医学应用正从单一文本任务向多模态、多专科扩展，但不同专科的数据特性和临床需求差异较大，通用模型可能难以直接满足所有场景，需要针对性的适配和验证。
伦理监管与持续优化不可回避
文章明确指出，为了有效地将LLMs整合到临床实践中，需要不断优化和进行伦理监管。LLMs在医疗保健领域的部署引发了热情和忧虑，随着生产LLM的公司与医疗系统之间的机构合作增加，真实世界的临床应用越来越接近现实。这提示医疗从业者，在关注技术潜力的同时，必须重视伦理、监管和临床整合问题，包括数据隐私、模型偏见、责任归属等，这些因素可能决定LLMs能否安全、公平地惠及医患。
Q&A
大型语言模型在医学领域的主要应用是什么？
大型语言模型在医学领域的主要应用包括癌症诊断、牙科、肾脏病学和皮肤科等，能够协助医生和患者处理大量数据。
评估大型语言模型的主要方法有哪些？
评估大型语言模型的方法包括性能评估、验证需求和对成功与失败案例的总结。
使用大型语言模型在医学中面临哪些挑战？
使用大型语言模型在医学中面临的挑战包括伦理监管、临床整合和技术优化等问题。
大型语言模型如何提升医疗质量？
大型语言模型通过处理大量医疗数据，提供知识检索、研究支持和诊断辅助，从而提升医疗质量。
大型语言模型与传统预训练语言模型有什么区别？
大型语言模型与传统预训练语言模型的区别在于，前者采用生成式人工智能方法，后者则以辨别式方法为主。
如何有效整合大型语言模型到临床实践中？
有效整合大型语言模型到临床实践中需要不断优化模型并进行伦理监管。
