关于本研究主题
背景
医疗自然语言处理(NLP)和信息检索领域正经历着由大型语言模型(LLMs)进步推动的快速变革。尽管这些技术极大地改善了医疗知识的获取和摘要，但它们在医疗等高风险领域的整合仍受限于对可靠性和可信度的持续担忧。现有系统存在诸多有据可查的局限性，包括幻觉内容、跨医疗子领域的泛化不一致、难以表达不确定性以及难以保持溯源等问题。这些问题在临床环境中尤为突出，错误可能对患者安全、临床决策和公众信任产生严重影响。尽管检索增强生成和基于证据的输出研究正在兴起，但仍迫切需要解决技术能力的同时，也关注透明度、可用性以及与现实工作流程一致的原则性、整体性方法。
本研究主题旨在推进可信医疗LLMs和以证据为中心的医疗信息系统的方法论和实践基础。我们致力于激发研究，以严格应对可靠性、不确定性校准和证据溯源的多方面挑战，同时考虑由欧洲治理和监管视角塑造的本地环境。目标是建立新的评估框架，准确捕捉现实环境中的真实性、安全性和临床效用，弥合稳健检索与引用机制和原则性算法改进之间的差距，并通过应用研究阐明以人为中心的权衡。关键目标包括开发将生成陈述与可验证医疗来源对齐的方法，促进跨机构和语言的互操作性和泛化能力，以及通过透明的系统设计和有意义的评估指标支持安全有效的使用。
为深入了解可信医疗LLMs、稳健信息检索和以人为中心设计的交叉点，我们欢迎涉及但不限于以下主题的文章：
- 可信医疗LLMs：事实性、不确定性、校准、稳健性和安全性
- 医疗语言的领域特定预训练和标记化
- 医疗信息检索中的检索模型、索引技术和查询理解
- 以证据为基础的生成：管理引用正确性和受控摘要
- 医疗NLP和信息检索的基准和数据集
- 跨临床机构、子领域以及多语言或低资源环境中的稳健性和泛化能力
- 以人为中心的设计：可用性、可解释性、用户交互和利益相关者需求
- 人工参与的评估和具有临床意义的性能指标
- 隐私保护、符合治理的开发和部署工作流程
- 真实世界案例研究，包括系统部署、故障分析和部署后监控
我们欢迎各种类型的研究投稿，包括新算法、可复现的流程、理论分析、基准或数据集文章，以及关注医疗NLP和IR在临床、研究和公共卫生环境中可靠性和实用性的实际应用研究。
文章类型与费用
本研究主题接受以下文章类型，除非研究主题描述中有其他规定：
简要研究报告、病例报告、临床试验、社论、FAIR²数据、FAIR²数据直接提交、一般评论、假设与理论、方法、小型综述、观点、原创研究、视角、政策与实践评论、政策简报、综述、研究方案、系统综述、技术与代码。
由外部编辑经过严格同行评审后接受发表的文章将向作者、机构或资助者收取出版费。
关键词
可信医疗人工智能、医疗语言模型、以证据为基础的检索、以人为中心的设计、临床决策支持、检索增强生成(RAG)、评估
重要说明
本研究主题的所有贡献必须符合提交的板块和期刊的范围，如其使命声明中所定义。Frontiers保留在同行评审的任何阶段将超出范围的稿件引导至更合适的板块或期刊的权利。
【全文结束】
