موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 1 4 2026 02 19 Promising prospects for diagnosis, improved disease management, and adherence to treatment through artificial intelligence based on large language models (LLMs) چشم‌اندازهای امیدبخش تشخیص، بهبود مدیریت بیماری‌ها و پایبندی به درمان از طریق هوش مصنوعی مبتنی بر مدل‌های زبان بزرگ (LLMs) 32 53 10.22051/jera.2021.31891.2698 FA سولماز دکتری مدیریت منابع انسانی، مؤسسه آموزش عالی آپادانا، شیراز، ایران. 2026 02 05 At the heart of medicine lies the doctor-patient conversation, where skillful history taking paves the way for accurate diagnosis, effective management, and lasting trust. AI systems capable of diagnostic conversation can increase access, consistency, and quality of care. In this paper, we present an AI system based on large language models optimized for diagnostic conversation. Large language models such as ChatGPT, Claude, Llama, and Qwen are emerging as transformative technologies for the diagnosis and treatment of various diseases. With exceptional reasoning capabilities over long contexts, large language models are adept at relevant clinical tasks, especially in medical text analysis and interactive conversation. They can increase diagnostic accuracy by processing large volumes of patient data and medical texts, and have demonstrated their utility in diagnosing common diseases and facilitating the identification of rare diseases by recognizing subtle patterns in symptoms and test results. Relying on their image recognition capabilities, multimodal large-language models show promising potential for diagnosis based on radiographs, chest computed tomography, electrocardiography, and common pathological images. These models can also aid in treatment planning by suggesting evidence-based interventions and improving clinical decision support systems through integrated analysis of patient records. Despite these promising advances, there are significant challenges to the use of large-language models in medicine, including concerns about algorithmic bias, the possibility of illusion, and the need for rigorous clinical validation. Ethical considerations also emphasize the importance of maintaining monitoring performance in clinical practice. This article highlights the rapid advances in research on diagnostic and therapeutic applications of large-language models across various medical disciplines and emphasizes the importance of policymaking, ethical oversight, and multidisciplinary collaboration in promoting more effective and safer clinical applications of large-language models. Future directions include integrating proprietary clinical knowledge, exploring open-source and custom models, and evaluating real-time effects on clinical diagnosis and treatment practices. 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. /downloadfilepdf/248094