論文の概要: Large Language Models in Healthcare

• arxiv url: http://arxiv.org/abs/2503.04748v2
• Date: Wed, 02 Apr 2025 22:56:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 19:20:46.377934
• Title: Large Language Models in Healthcare
• Title（参考訳）: 医療における言語モデル
• Authors: Mohammed Al-Garadi, Tushar Mungle, Abdulaziz Ahmed, Abeed Sarker, Zhuqi Miao, Michael E. Matheny,
• Abstract要約: 大規模言語モデル(LLM)は医療の変革を約束する。 彼らの成功には、臨床ニーズに合わせて厳格な開発、適応、評価戦略が必要である。
• 参考スコア（独自算出の注目度）: 4.119811542729794
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) hold promise for transforming healthcare, from streamlining administrative and clinical workflows to enriching patient engagement and advancing clinical decision-making. However, their successful integration requires rigorous development, adaptation, and evaluation strategies tailored to clinical needs. In this Review, we highlight recent advancements, explore emerging opportunities for LLM-driven innovation, and propose a framework for their responsible implementation in healthcare settings. We examine strategies for adapting LLMs to domain-specific healthcare tasks, such as fine-tuning, prompt engineering, and multimodal integration with electronic health records. We also summarize various evaluation metrics tailored to healthcare, addressing clinical accuracy, fairness, robustness, and patient outcomes. Furthermore, we discuss the challenges associated with deploying LLMs in healthcare--including data privacy, bias mitigation, regulatory compliance, and computational sustainability--and underscore the need for interdisciplinary collaboration. Finally, these challenges present promising future research directions for advancing LLM implementation in clinical settings and healthcare.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、管理ワークフローや臨床ワークフローの合理化から患者のエンゲージメントの強化、臨床意思決定の進展に至るまで、医療の変革を約束する。 しかし、彼らの成功には、臨床ニーズに合わせた厳格な開発、適応、評価戦略が必要である。 本稿では、最近の進歩を強調し、LSM駆動型イノベーションの新たな機会を探究し、医療環境における責任ある実装のための枠組みを提案する。 我々は、細調整、プロンプトエンジニアリング、電子健康記録とのマルチモーダル統合など、ドメイン固有の医療タスクにLLMを適用するための戦略を検討する。 また,臨床の正確性,公平性,堅牢性,患者の予後など,医療に適したさまざまな評価指標を要約した。 さらに、データプライバシ、バイアス軽減、規制コンプライアンス、計算持続可能性など、医療分野におけるLCMの展開に関わる課題についても論じ、学際的なコラボレーションの必要性を浮き彫りにしている。 最後に, これらの課題は, 臨床および医療におけるLCM導入に向けた将来的な研究方向性を示すものである。

関連論文リスト

• The Rise of Small Language Models in Healthcare: A Comprehensive Survey [8.586655727885374]
  小型言語モデル(SLM)は、次世代医療情報学にスケーラブルで臨床的に実行可能なソリューションを提供する。 包括的調査では、医療従事者に対して分類・分類するための分類学的枠組みを提示する。 本研究は,医療におけるSLMの変容可能性を明らかにするために,広く研究されているNLPタスクを対象とした実験結果のまとめである。
  論文  参考訳（メタデータ） (2025-04-23T22:02:25Z)
• Med-CoDE: Medical Critique based Disagreement Evaluation Framework [72.42301910238861]
  医学的文脈における大きな言語モデル(LLM)の信頼性と精度は依然として重要な懸念点である。 現在の評価手法はロバスト性に欠けることが多く、LLMの性能を総合的に評価することができない。 我々は,これらの課題に対処するために,医療用LCMの特別設計評価フレームワークであるMed-CoDEを提案する。
  論文  参考訳（メタデータ） (2025-04-21T16:51:11Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Vision Language Models in Medicine [3.964982657945488]
  Medical Vision-Language Models (Med-VLMs) は、医療結果を改善するために、視覚データとテキストデータを統合している。 Med-VLMs が臨床, 教育, 患者医療に与える影響を強調した。 データ不足、タスクの一般化、解釈可能性の問題、公平性、説明責任、プライバシといった倫理的懸念といった課題が強調されます。 今後の方向性には、大規模で多様なデータセットの活用、クロスモーダルな一般化の改善、解釈可能性の向上などが含まれる。
  論文  参考訳（メタデータ） (2025-02-24T22:53:22Z)
• Participatory Assessment of Large Language Model Applications in an Academic Medical Center [1.244412242301951]
  大きな言語モデル(LLM)は、医療関連のアプリケーションで有望なパフォーマンスを示している。 医療分野における彼らの展開は、倫理的、規制的、技術的性質に固有の課題を提起する。
  論文  参考訳（メタデータ） (2024-12-09T21:45:35Z)
• 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)
• Clinical Insights: A Comprehensive Review of Language Models in Medicine [1.5020330976600738]
  本稿では,医療における言語モデルの進歩と応用について考察し,臨床応用事例に着目した。 テキストと視覚データをテキスト内学習を通じて統合することのできる、最先端の大規模言語とマルチモーダルモデルに、広範囲な微調整を必要とする初期エンコーダベースのシステムから進化について検討する。 この分析は、データのプライバシと運用の自律性を向上するローカルデプロイ可能なモデルと、テキスト生成、分類、情報抽出、会話システムといったタスクにおけるそれらの応用を強調している。
  論文  参考訳（メタデータ） (2024-08-21T15:59:33Z)
• A Survey on Medical Large Language Models: Technology, Application, Trustworthiness, and Future Directions [23.36640449085249]
  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。
  論文  参考訳（メタデータ） (2024-06-06T03:15:13Z)
• Evaluating large language models in medical applications: a survey [1.5923327069574245]
  大規模言語モデル(LLM)は、多くのドメインにまたがる変換可能性を持つ強力なツールとして登場した。 医学的文脈におけるLCMのパフォーマンスを評価することは、医療情報の複雑で批判的な性質から、ユニークな課題を提示する。
  論文  参考訳（メタデータ） (2024-05-13T05:08:33Z)
• Does Biomedical Training Lead to Better Medical Performance? [2.3814275542331385]
  大規模言語モデル(LLM)は、患者のケア、診断、管理プロセスに大きく貢献することが期待されている。 本研究では, バイオメディカルトレーニングが6つの実践的医療課題の文脈に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-04-05T12:51:37Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• 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)

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。