MEDICINE & AI

タイトル：Large language models for biomedicine: foundations, opportunities, challenges, and best practices. 雑誌名：J Am Med Inform Assoc. 2024 Sep 01; 31(9): 2114-2124. doi: 10.1093/jamia/ocae074. 概　要： 本研究は、生成型大規模言語モデル（LLMs）がバイオメディスン分野における自然言語処理（NLP）タスクにどのように活用できるかを探求しています。LLMsは、パラメータの増加、計算効率の向上、大規模な事前学習データセットの利用により、幅広いNLPタスクで優れた性能を発揮しています。この記事では、AMIA NLPワーキンググループが、LLMsの効果的な統合に向けた機会、課題、及びベストプラクティスを特定し、強化学習やプロンプトチューニングなどのアプローチを通じて、バイオメディカルインフォマティクスコミュニティへのLLMsのアクセスを促進することを目指しています。 方　法： 本研究は、自然言語理解、自然言語推論、自然言語生成の3つの広範なNLPタスクに焦点を当てています。プロンプトチューニングや指示のファインチューニング、評価指標の新たなトレンドをレビューし、生成されたテキストの虚偽（コンファブレーション/ハルシネーション）、有害性、データセットの汚染による過学習など、バイオメディカルNLPアプリケーションに影響を与える問題に注意を向けています。また、思考の連鎖プロンプトやLLMsに見られる新たな能力を活用するアプローチについても検討しています。 結　果： 本研究では、LLMsがバイオメディスン分野でのNLPタスクにおいて、特に複雑な課題に対処するための新たな能力を発揮する可能性が示されています。具体的な数値や結果は記載されていませんが、LLMsの活用による効率的なアプローチが提案されています。 結　論： LLMsは、バイオメディスンにおけるNLPアプリケーションの発展に寄与する可能性があり、特に医療従事者や研究者がNLPに不慣れな場合でも、これらの技術を利用できるようにすることが重要です。ベストプラクティスを通じて、LLMsの効果的な統合が期待されます。