大型语言模型为人工智能医疗助手的发展指明了一条渐进的道路

　　

随着人工智能的快速发展，大型语言模型(llm)在模仿人类水平的语言理解和推理方面显示出了很好的能力。这激发了人们应用LLMs来提高医疗保健各个方面的兴趣，从医学教育到临床决策支持。然而，医学涉及多方面的数据模式和细致入微的推理技能，为整合LLMs提出了挑战。

这篇综述介绍了基本应用，展示了它们在知识检索、研究支持、临床工作流程自动化和诊断辅助方面的应用。认识到医学固有的多模态，该综述强调了多模态LLMs，并讨论了它们处理不同数据类型(如医学成像和电子健康记录)以提高诊断准确性的能力。为了解决llm在个性化和复杂临床推理方面的局限性，本文进一步探讨了llm驱动的医疗保健自主代理的新兴发展。此外，它总结了评估LLMs在医学背景下的可靠性和安全性的评估方法。LLMs在医学领域具有变革潜力;然而，在这些模型能够有效地整合到临床实践之前，有一个关键的需要持续优化和伦理监督。

随着人工智能(AI)能力惊人增长的21世纪的到来，我们见证了各个行业的突破性进步和变革。特别是在医疗领域，这种转变更加明显。然而，虽然人工智能为我们带来了无数新的机会和可能性，但它也揭示了医疗过程中固有的深刻复杂性。当考虑到诊断、治疗和预后等关键阶段时，我们所处理的现实世界的医疗数据是非常多样化和复杂的。医生在处理这些数据时，不仅需要参考大量复杂的标准医学知识，还需要根据每位患者的独特情况制定个性化的治疗计划。此外，医学检查是多模式的，包括病理学、放射学和基因组学等领域。面对这种情况，整合这些大量的数据和信息以形成连贯和全面的诊断和治疗策略无疑是具有挑战性的。目前大多数工具都是孤立的单一任务，这意味着临床医生在决策过程中必须进行更全面的分析和判断。因此，迫切需要强大的智能辅助工具来帮助这些医生。这正是像GPT-4这样的大型语言模型(llm)所提供的。它们不仅可以帮助医生整合和解释复杂的数据，还可以提供基于广泛知识的见解，从而确保在诊断、治疗和预后等关键阶段提供更有效和精确的帮助。在这些智能工具的帮助下，我们渴望更深入地了解病人的真实情况，做出更贴切、更准确的医疗决定。

在这种背景下，GPT-4、ChatGPT和Claude等LLMs逐渐在医学领域崭露头角。以GPT-4为例，其在美国医学执照考试(USMLE)中的优异表现远远超出了许多专家的预期。然而，这只是冰山一角。虽然LLMs在医疗保健领域的实际应用仍处于早期阶段，但初步研究已经显示出LLMs在专业医学研究和潜在临床决策支持方面的巨大潜力。特别是在涉及整合来自病理学、放射学和基因组学的多模式医学数据的任务中，LLMs展示了他们深入解释和联系的独特能力。当然，它们在实际医疗环境中的实际效果和价值还需要进一步的研究和验证。随着这些先进工具的引入，我们不仅期望有效整合多源医疗数据，还期望人工智能代理为医生提供预测分析和患者管理方面的支持。例如，人工智能代理可以协助分析患者病史、实验室结果和放射数据，随后提供数据驱动的诊断建议。此外，这些工具可以进一步帮助医生从众多选择中选择最佳治疗方案，确保患者获得个性化和最佳治疗结果。通过这种方法，我们可以期待一个不仅更科学而且更系统的医疗决策过程，确保患者得到最好的医疗护理。

鉴于LLMs在医学领域的突出潜力，本研究旨在对LLMs在该领域取得的最新进展进行系统和渐进的回顾。它强调了通用和专业医学LLMs的使用，主要侧重于基于文本的交互。传统的单模态方法往往忽视了医学领域复杂的多模态性质，促使多模态llm的发展，提高了诊断的准确性和有效性。尽管取得了显著的进步，但实现真正的个性化、保持持续的模型更新以及为人工智能配备复杂的解决问题的能力等挑战仍然存在。在这种情况下，LLMs驱动的自主代理作为有前途的工具出现在医疗保健领域的各种应用中。此外，评估医学LLMs的有效性和安全性至关重要。这篇综述的重要性在于阐明LLMs目前在医疗保健中的作用，评估其对医疗实践的变革性影响，并确定需要解决的障碍，以充分利用LLMs在加强患者护理和推进医学科学方面的潜力。