در قلب پزشکی، گفتگوی پزشک و بیمار قرار دارد، جایی که گرفتن شرح حال ماهرانه، راه را برای تشخیص دقیق، مدیریت مؤثر و اعتماد پایدار هموار می‌کند. سیستم‌های هوش مصنوعی که قادر به گفتگوی تشخیصی هستند، می‌توانند دسترسی، ثبات و کیفیت مراقبت را افزایش دهند. در مقاله حاضر سیستم هوش مصنوعی مبتنی بر مد‌ل‌های زبان بزرگ را که برای گفتگوی تشخیصی بهینه شده است، معرفی می‌شود. مدل‌های زبان بزرگ مانند ChatGPT، Claude، Llama و Qwen به عنوان فناوری‌های متحول‌کننده برای تشخیص و درمان بیماری‌های مختلف در حال ظهور هستند. مدل زبان بزرگ با قابلیت‌های استثنایی استدلال در زمینه‌های طولانی، در وظایف بالینی مرتبط، به ویژه در تجزیه و تحلیل متن پزشکی و گفتگوی تعاملی، مهارت دارند. آن‌ها می‌توانند با پردازش حجم زیادی از داده‌های بیمار و متون پزشکی، دقت تشخیصی را افزایش دهند و کاربرد خود را در تشخیص بیماری‌های شایع و تسهیل شناسایی بیماری‌های نادر با تشخیص الگوهای ظریف در علائم و نتایج آزمایش نشان داده‌اند. مدل‌های زبان بزرگ چندوجهی با تکیه بر توانایی‌های تشخیص تصویر خود، پتانسیل امیدوارکننده‌ای برای تشخیص بر اساس رادیوگرافی، توموگرافی کامپیوتری قفسه سینه، الکتروکاردیوگرافی و تصاویر پاتولوژیک رایج نشان می‌دهند. این مدل‌ها همچنین می‌توانند با پیشنهاد مداخلات مبتنی بر شواهد و بهبود سیستم‌های پشتیبانی تصمیم‌گیری بالینی از طریق تجزیه و تحلیل یکپارچه سوابق بیمار، در برنامه‌ریزی درمان کمک کنند. علیرغم این پیشرفت‌های امیدوارکننده، چالش‌های قابل توجهی در مورد استفاده از مد‌ل‌های زبان بزرگ در پزشکی وجود دارد، از جمله نگرانی‌هایی در مورد سوگیری الگوریتمی، احتمال توهم و نیاز به اعتبارسنجی بالینی دقیق. ملاحظات اخلاقی همچنین بر اهمیت حفظ عملکرد نظارت در عمل بالینی تأکید می‌کند. این مقاله پیشرفت‌های سریع در تحقیقات در مورد کاربردهای تشخیصی و درمانی مد‌لهای زبان بزرگ در رشته‌های مختلف پزشکی را برجسته می‌کند و بر اهمیت سیاست‌گذاری، نظارت اخلاقی و همکاری چند رشته‌ای در ترویج کاربردهای بالینی مؤثرتر و ایمن‌تر مد‌ل‌های زبان بزرگ تأکید دارد. مسیرهای آینده شامل ادغام دانش بالینی اختصاصی، بررسی مدل‌های متن‌باز و سفارشی و ارزیابی اثرات بلادرنگ در تشخیص بالینی و شیوه‌های درمانی است.

هوش مصنوعی تشخیص درمان مدل‌های زبان بزرگ مراقبت‌های بهداشتی.