AI for Biomedicine in the Era of Large Language Models

本文是LLM系列文章，针对《AI for Biomedicine in the Era of Large Language Models》的翻译。

摘要

人工智能在生物医学方面的能力涵盖了广泛的领域，从原子层面（解决量子系统的偏微分方程）到分子层面（预测化学或蛋白质结构），再到传染病爆发等社会预测。以ChatGPT等模型为例，大型语言模型的最新进展在自然语言任务方面展现了非凡的能力，如翻译语言、构建聊天机器人和回答问题。当我们考虑生物医学数据时，我们观察到在序列方面与自然语言相似——生物医学文献和健康记录以文本形式呈现，生物序列或按序列排列的测序数据，或传感器数据（如大脑信号）以时间序列形式呈现。问题来了：我们能否利用最近大型语言模型的潜力来推动生物医学知识的发现？在本教程中，我们将探讨大型语言模型在三类关键生物医学数据中的应用：1）文本数据，2）生物序列，以及3）大脑信号。此外，我们将深入研究大型语言模型在生物医学研究中的挑战，包括确保可信度、实现个性化和适应多模态数据表示。

1 引言

2 基于不同生物医学数据的LLMS

3 结论和未来方向

总之，这是对生物医学大型语言模型的全面调查，重点关注三种关键数据类型：1）文本数据，2）生物序列，3）大脑信号。在生物医学研究中使用人工智能也带来了重大的新挑战。一大挑战是确保人工智能增强的生物医学见解是可靠和值得信赖的，包括模型的可解释性和可解释性、模型对对抗性攻击的稳健性、模型对不同人群的偏见以及数据隐私问题。另一个挑战是LLM的个性化，这意味着调整LLM以适应不同个性化数据的特定需求。例如，当不同的人在相同的语境下思考同一个单词时，大脑信号会有很大的个体差异。我们是否可以根据不同的人的不同大脑模式构建个性化的LLM