يقدم هذا الاستعراض الأدبي ملخصًا شاملًا لأحدث الأعمال الأكاديمية حول استراتيجيات ضبط التعليمات لنماذج اللغة الكبيرة الطبية (Med-LLMs). يبدأ بمراجعة ثلاث نهج أساسية لإنشاء مجموعة بيانات التعليم: مجموعات بيانات تم إعدادها بشريًا، ومجموعات بيانات تم تصنيعها بواسطة نماذج اللغة الكبيرة، ومجموعات بيانات تتضمن توليد مدعوم بالاسترجاع (RAG). يستكشف هذا المقال دور مجموعات بيانات التعليم الطبي من خلال مراجعة ثلاثة عشر نموذجًا طبيًا مختلفًا، وتقييم فعاليتها عبر مهام سريرية متعددة، وفحص كيفية تحسين استخدامها للنتائج في المجال الطبي. تناقش هذه الأبحاث رؤى رئيسية لاست优化 وتعديل نماذج اللغة القائم على التعليمات. كما تحلل فعالية طريقة التعليمات المرحلية وفوائد دمج تقنيات الطلبات المختلطة. بالإضافة إلى ذلك، تقيم تأثير اختيار نموذج الظهر المناسب قبل التعديل. علاوة على ذلك، تُظهر كيف أن اختيار الكلمات عند صياغة التعليمات يؤثر على أداء النموذج. يؤكد الاستطلاع على أن البيانات التعليمية المنسقة بعناية، جنبًا إلى جنب مع الاستراتيجيات المصممة جيدًا، يمكن أن تعزز بشكل كبير من إمكانات Med-LLMs في تطبيقات الرعاية الصحية الواقعية. ومع ذلك، يجب معالجة عدة تحديات لضمان نشر Med-LLMs بشكل آمن وأخلاقي وفعال. يحدد هذا المقال اتجاهات البحث المستقبلية، بما في ذلك التخفيف من التحيزات العرقية والنوعية، والاستفادة من مصادر المعرفة الخارجية، وتعزيز الخصوصية من خلال إخفاء الهوية بشكل صارم لمعلومات المرضى والامتثال للتنظيمات (مثل قانون نقل وتوفير تأمين الصحة (HIPAA)). سيكون معالجة هذه التحديات عامل تمهيد لتطبيقات الذكاء الاصطناعي (AI) الموثوقة والآمنة والأخلاقية في الرعاية الصحية.
درس القحطاني وآخرون (الثلاثاء) هذا السؤال.