Large language models in healthcare and medical domain: A review

📄 arXiv: 2401.06775v2 📥 PDF

作者: Zabir Al Nazi, Wei Peng

分类: cs.CL, cs.AI

发布日期: 2023-12-12 (更新: 2024-07-08)

💡 一句话要点

综述医疗领域大语言模型：发展、应用、挑战与未来

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 医疗领域 临床语言理解 自然语言处理 医学知识 综述 人工智能 生物医学

📋 核心要点

  1. 现有医疗领域语言模型在处理复杂临床语言理解任务时存在局限性，例如多模态信息融合和推理。
  2. 本综述旨在全面梳理医疗领域LLM的发展现状、应用场景、评估指标以及面临的挑战与限制。
  3. 通过对比分析不同LLM在医疗任务中的表现，为未来研究方向提供参考，促进LLM在医疗领域的应用。

📝 摘要（中文）

大型语言模型（LLM）在医疗领域的应用引发了广泛关注。这些模型能够对自由文本查询提供专业的医学知识解答。本综述深入研究了专为医疗应用设计的现有LLM的功能，阐述了它们的发展轨迹，从传统的预训练语言模型（PLM）到目前医疗领域的LLM。首先，探讨了LLM在提高各种医疗应用效率和效果方面的潜力，特别关注临床语言理解任务，包括命名实体识别、关系抽取、自然语言推理、多模态医学应用、文档分类和问答。此外，对医疗领域最新的LLM进行了广泛比较，评估了各种开源LLM的利用率，并强调了它们在医疗应用中的重要性。进一步，介绍了用于评估生物医学领域LLM的关键性能指标，阐明了它们的有效性和局限性。最后，总结了大型语言模型在医疗领域面临的突出挑战和限制，全面分析了它们的潜在优势和不足。本综述全面探讨了LLM在医疗领域的现状，阐述了它们在改变医疗应用中的作用以及需要进一步研究和开发的领域。

🔬 方法详解

问题定义：医疗领域面临着对大量医学文本和多模态数据进行有效理解和利用的挑战。现有的方法，特别是传统的预训练语言模型（PLM），在处理复杂的临床语言理解任务，如命名实体识别、关系抽取、自然语言推理、多模态医学应用、文档分类和问答等方面，存在一定的局限性。这些局限性包括对医学知识的深度理解不足、对多模态信息的有效融合以及在特定医疗场景下的泛化能力不足。

核心思路：本综述的核心思路是对医疗领域的大型语言模型（LLM）进行全面的梳理和分析，从其发展历程、应用场景、评估指标以及面临的挑战等方面进行深入探讨。通过对比分析不同LLM在医疗任务中的表现，总结其优势和不足，为未来的研究方向提供参考。此外，还关注了开源LLM在医疗领域的应用，强调了其重要性。

技术框架：本综述的技术框架主要包括以下几个方面：1) 概述医疗领域LLM的发展历程，从传统的PLM到当前的LLM；2) 探讨LLM在各种医疗应用中的潜力，特别关注临床语言理解任务；3) 对比分析医疗领域最新的LLM，评估各种开源LLM的利用率；4) 介绍用于评估生物医学领域LLM的关键性能指标；5) 总结LLM在医疗领域面临的挑战和限制。

关键创新：本综述的关键创新在于其全面性和系统性。它不仅对医疗领域LLM的发展现状进行了梳理，还深入探讨了其应用场景、评估指标以及面临的挑战。此外，还关注了开源LLM在医疗领域的应用，并对其重要性进行了强调。这种全面的分析为未来的研究方向提供了有价值的参考。

关键设计：本综述没有提出新的模型或算法，而是在于对现有研究的整理和分析。关键设计体现在对不同LLM的对比分析，以及对评估指标和挑战的总结。例如，在对比分析不同LLM时，关注其在不同医疗任务中的表现，并分析其优势和不足。在总结评估指标时，关注其在生物医学领域的适用性，并分析其局限性。

📊 实验亮点

该综述全面对比了当前医疗领域最先进的LLM，并评估了开源LLM在医疗应用中的使用情况。它总结了用于评估生物医学领域LLM的关键性能指标，并阐明了它们的有效性和局限性。此外，还总结了大型语言模型在医疗领域面临的突出挑战和限制。

🎯 应用场景

该研究成果可应用于医疗诊断辅助、医学知识问答、电子病历分析、药物研发等领域。通过提升医疗服务的效率和准确性，改善患者的就医体验，并为医学研究提供更强大的工具。未来，有望促进个性化医疗和精准医疗的发展。

📄 摘要（原文）

The deployment of large language models (LLMs) within the healthcare sector has sparked both enthusiasm and apprehension. These models exhibit the remarkable capability to provide proficient responses to free-text queries, demonstrating a nuanced understanding of professional medical knowledge. This comprehensive survey delves into the functionalities of existing LLMs designed for healthcare applications, elucidating the trajectory of their development, starting from traditional Pretrained Language Models (PLMs) to the present state of LLMs in healthcare sector. First, we explore the potential of LLMs to amplify the efficiency and effectiveness of diverse healthcare applications, particularly focusing on clinical language understanding tasks. These tasks encompass a wide spectrum, ranging from named entity recognition and relation extraction to natural language inference, multi-modal medical applications, document classification, and question-answering. Additionally, we conduct an extensive comparison of the most recent state-of-the-art LLMs in the healthcare domain, while also assessing the utilization of various open-source LLMs and highlighting their significance in healthcare applications. Furthermore, we present the essential performance metrics employed to evaluate LLMs in the biomedical domain, shedding light on their effectiveness and limitations. Finally, we summarize the prominent challenges and constraints faced by large language models in the healthcare sector, offering a holistic perspective on their potential benefits and shortcomings. This review provides a comprehensive exploration of the current landscape of LLMs in healthcare, addressing their role in transforming medical applications and the areas that warrant further research and development.