論文の概要: A Survey on Medical Large Language Models: Technology, Application, Trustworthiness, and Future Directions

• arxiv url: http://arxiv.org/abs/2406.03712v2
• Date: Mon, 09 Dec 2024 02:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:51:01.657625
• Title: A Survey on Medical Large Language Models: Technology, Application, Trustworthiness, and Future Directions
• Title（参考訳）: 医療用大規模言語モデルに関する調査研究:技術,応用,信頼性,今後の方向性
• Authors: Lei Liu, Xiaoyan Yang, Junchi Lei, Yue Shen, Jian Wang, Peng Wei, Zhixuan Chu, Zhan Qin, Kui Ren,
• Abstract要約: 医学大言語モデル(Med-LLMs)の最近の進歩を辿る。 The wide-ranging application of Med-LLMs are investigated across various health domain。 公平性、説明責任、プライバシー、堅牢性を保証する上での課題について議論する。
• 参考スコア（独自算出の注目度）: 23.36640449085249
• License:
• Abstract: With the advent of Large Language Models (LLMs), medical artificial intelligence (AI) has experienced substantial technological progress and paradigm shifts, highlighting the potential of LLMs to streamline healthcare delivery and improve patient outcomes. Considering this rapid technical progress, in this survey, we trace the recent advances of Medical Large Language Models (Med-LLMs), including the background, key findings, and mainstream techniques, especially for the evolution from general-purpose models to medical-specialized applications. Firstly, we delve into the foundational technology of Med-LLMs, indicating how general models can be progressively adapted and refined for the complicated medical tasks. Secondly, the wide-ranging applications of Med-LLMs are investigated across various healthcare domains, as well as an up-to-date review of existing Med-LLMs. The transformative impact of these models on daily medical practice is evident through their ability to assist clinicians, educators, and patients. Recognizing the importance of responsible innovation, we discuss the challenges associated with ensuring fairness, accountability, privacy, and robustness. Ethical considerations, rigorous evaluation methodologies, and the establishment of regulatory frameworks are crucial for building trustworthiness in the real-world system. We emphasize the need for ongoing scrutiny and development to maintain high standards of safety and reliability. Finally, we anticipate possible future trajectories for Med-LLMs, identifying key avenues for prudent expansion. By consolidating these insights, our review aims to provide professionals and researchers with a thorough understanding of the strengths and limitations of Med-LLMs, fostering a balanced and ethical approach to their integration into the healthcare ecosystem.
• Abstract（参考訳）: 大規模言語モデル(LLM)の出現に伴い、医療人工知能(AI)は、医療提供を効率化し、患者の成果を改善するLLMの可能性を浮き彫りにし、技術進歩とパラダイムシフトを経験してきた。 この急激な技術進歩を踏まえて,本調査は医学大言語モデル(Med-LLMs)の最近の進歩を追究するものである。 まず、Med-LLMsの基礎技術を探り、複雑な医療タスクに対して、一般モデルを段階的に適応し、洗練する方法を示します。 第2に、Med-LLMの幅広い応用を様々な医療領域で調査し、既存のMed-LLMの最新のレビューを行った。 これらのモデルが日々の医療実践に与える影響は、臨床医、教育者、患者を支援する能力を通じて明らかである。 責任あるイノベーションの重要性を認識し、公正性、説明責任、プライバシー、堅牢性の確保に関わる課題について議論する。 倫理的考察、厳格な評価手法、および規制枠組みの確立は、現実のシステムにおける信頼性の構築に不可欠である。 我々は、安全性と信頼性の高水準を維持するために、継続的な精査と開発の必要性を強調します。 最後に,Med-LLMsの今後の軌道を予測し,プルーデント展開の鍵となる経路を同定する。 これらの知見を統合することで、医療エコシステムへの統合に対するバランスのとれた倫理的アプローチを育成し、MDD-LLMの強みと限界を、専門家や研究者に徹底的に理解することを目的としている。

関連論文リスト

• Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。 医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。 実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
  論文  参考訳（メタデータ） (2024-11-14T06:19:18Z)
• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• The Role of Language Models in Modern Healthcare: A Comprehensive Review [2.048226951354646]
  医療における大規模言語モデル(LLM)の適用は注目されている。 本稿では,言語モデルの初期から現在までの軌跡を概観する。
  論文  参考訳（メタデータ） (2024-09-25T12:15:15Z)
• From Text to Multimodality: Exploring the Evolution and Impact of Large Language Models in Medical Practice [14.739357670600103]
  大規模言語モデル(LLM)は、テキストベースのシステムからマルチモーダルプラットフォームへと急速に進化してきた。 医療におけるMLLMの現況を考察し,臨床診断支援,医用画像,患者エンゲージメント,研究の分野にまたがる応用を分析した。
  論文  参考訳（メタデータ） (2024-09-14T02:35:29Z)
• Towards Reliable Medical Question Answering: Techniques and Challenges in Mitigating Hallucinations in Language Models [1.03590082373586]
  本稿では,知識ベースタスク,特に医療領域における幻覚を緩和するための既存の手法のスコーピング研究を行う。 この論文で取り上げられた主要な手法は、検索・拡張生成(RAG)ベースの技術、反復的なフィードバックループ、教師付き微調整、迅速なエンジニアリングである。 これらのテクニックは、一般的な文脈では有望だが、最新の専門知識と厳格な医療ガイドラインの厳格な遵守に対するユニークな要求のために、医療領域のさらなる適応と最適化を必要としている。
  論文  参考訳（メタデータ） (2024-08-25T11:09:15Z)
• Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
  ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。 これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。 FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
  論文  参考訳（メタデータ） (2024-05-10T19:22:24Z)
• From Uncertainty to Trust: Kernel Dropout for AI-Powered Medical Predictions [14.672477787408887]
  信頼に値する信頼を持ったAI駆動型医療予測は、医療アプリケーションにおけるAIの責任ある使用を保証するために不可欠である。 本稿では,これらの課題に対処する新しいアプローチを提案し,カーネルモデルを用いたベイジアンモンテカルロ・ドロップアウトモデルを提案する。 限られたデータであっても、信頼性が大幅に向上し、AI駆動型医療予測の信頼構築に向けた有望なステップを提供します。
  論文  参考訳（メタデータ） (2024-04-16T11:43:26Z)
• Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
  大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。 これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。 このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-06-08T18:04:13Z)
• Privacy-preserving machine learning for healthcare: open challenges and future perspectives [72.43506759789861]
  医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。 プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。 このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
  論文  参考訳（メタデータ） (2023-03-27T19:20:51Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。