Большие языковые модели для клинического искусственного интеллекта в здравоохранении: систематический обзор

Большие языковые модели (LLM) продемонстрировали способность обрабатывать большие объемы данных, выполнять рассуждения и генерировать значительные массивы информации, создавая новую парадигму интеграции генеративного искусственного интеллекта (GenAI) в медицину. Мультимодальные большие языковые модели (MLLM) расширяют эти возможности, объединяя различные модальности данных в унифицированных представлениях, включая геномные данные, медицинские изображения и клинические тексты. В данном систематическом обзоре обобщены достижения, отраженные в 246 публикациях, выявленных в период с января 2020 года по сентябрь 2025 года; после полнотекстового скрининга в обзор были включены 90 исследований. Обзор направлен на устранение ключевых пробелов в понимании клинической роли LLM и MLLM в здравоохранении. Прослеживается эволюция от классических подходов обработки естественного языка (NLP) к современным архитектурам на основе трансформеров, обобщаются их технические основы, а также рассматриваются вопросы разработки, оценки и внедрения этих моделей в медицинские рабочие процессы. К ключевым аспектам относятся мультимодальная интеграция (например, объединение изображений, геномных данных и текстов), frameworks этического управления и валидированная предметно-ориентированная тонкая настройка в клинических условиях. Также освещаются достижения в области промптинга, генерации с дополнением поиска (RAG) и мультиагентных (агентных) рабочих процессов, а также критически оцениваются их преимущества и ограничения. Кроме того, анализируются такие проблемы, как галлюцинации, предвзятость и риски нарушения конфиденциальности, и предлагаются практические рекомендации для клиницистов, разработчиков и лиц, формирующих политику, с целью повышения соответствия нормативным требованиям. Благодаря унификации терминологии и систематической оценке GenAI в медицине данный обзор предлагает основанные на фактических данных рекомендации и направления для безопасной и эффективной интеграции генеративного искусственного интеллекта в здравоохранение. Представленные результаты предназначены служить авторитетным руководством для исследователей и практикующих специалистов, связывающим фундаментальные принципы, клинические применения и вопросы политики, относящиеся к LLM и MLLM.