翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# ヘルスケアとライフサイエンスのユースケースに関するよくある質問
以下は、医療 NLP タスクでの Amazon Comprehend Medical または LLMs の使用に関するよくある質問です。
## Amazon Comprehend Medical と LLM のどちらを選択するか
医療テキスト内の医療エンティティを検出するタスクの場合は、[Amazon Comprehend Medical のドキュメント](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)を参照して、抽出できる医療エンティティと、ユースケースに対応する[オントロジー](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html)があるかどうかを確認してください。そうでない場合は、LLM の使用を検討してください。詳細については、このガイドの「[Amazon Comprehend Medical のユースケース](comprehend-medical.md#comprehend-medical-use-cases)」および「[LLM のユースケース](llms.md#llm-use-cases)」を参照してください。
## Amazon Comprehend Medical の結果を LLM に提供するにはどうすればよいですか?
Amazon Comprehend Medical の結果を LLM プロンプト内のコンテキストとして組み込むことができます。これにより、LLM に追加の医療知識と用語が提供されます。提供されたコンテキストは、エンティティ認識、要約、質問への回答などのタスクに対する LLM のパフォーマンスを向上させることができます。このガイドでは、Amazon Comprehend Medical の結果を使用してプロンプトを構築する方法の例をいくつか紹介します。詳細については、このガイドの「[Amazon Comprehend Medical と大規模言語モデルの組み合わせ](comprehend-medical-rag.md)」を参照してください。
## LLMs で Amazon Comprehend Medical を使用する際のベストプラクティスは何ですか?
Amazon Comprehend Medical 信頼スコアを使用して、プロンプト内のエンティティをフィルタリングまたは優先順位付けすることをお勧めします。また、特定のデータに対するパフォーマンスを評価し、エンティティ定義が要件と一致していることを確認することも重要です。Amazon Comprehend Medical をドメイン固有のナレッジソースと組み合わせることで、LLM のパフォーマンスをさらに向上させることができます。詳細については、このガイドの「[RAG ワークフローで Amazon Comprehend Medical を使用するためのベストプラクティス](comprehend-medical-rag.md#comprehend-medical-rag-best-practices)」を参照してください。
## 医療ユースケースでは、事前トレーニング済みの医療 LLM を使用するか、一般的な LLM を微調整する必要がありますか?
決定は、特定の要件と高品質のトレーニングデータの可用性によって異なります。事前トレーニング済みの医療 LLMs は、良い出発点となります。ただし、ドメイン固有のデータを使用して微調整する必要がある場合があります。十分なラベル付きデータがある場合は、一般的な LLM の微調整が有効なオプションである可能性があります。詳細については、このガイドの「[LLM の選択](llms.md#llm-selection)」および「[ヘルスケアとライフサイエンスの NLP アプローチの選択](choosing-approach.md)」を参照してください。
## 医療 NLP タスクの LLMs のパフォーマンスを評価するにはどうすればよいですか?
テキスト分類や名前付きエンティティ認識タスクには、精度、精度、再現率、F1 スコアなどの定量的メトリクスを使用することをお勧めします。テキスト生成タスクには ROUGE と METEOR を使用できます。対象分野のエキスパートがラベル付けした信頼性の高いグラウンドトゥルースデータを用意し、時間の経過とともにモデルのパフォーマンスをモニタリングするプロセスを実装することが重要です。詳細については、このガイドの「[ヘルスケアおよびライフサイエンスアプリケーション用の LLMs の評価](evaluation.md)」を参照してください。
## 高複雑度と低複雑度の LLM ソリューションのトレードオフは何ですか?
LLM の微調整またはカスタム LLM の構築は、非常に複雑なソリューションです。これらのアプローチはパフォーマンスを向上させることができますが、コストとメンテナンス要件は高くなります。事前トレーニング済みの LLMs や Amazon Comprehend Medical を使用するなど、よりシンプルなソリューションは、低コストでより高速な開発サイクルで許容可能なパフォーマンスを提供する可能性があります。ただし、これらのアプローチは、一部のユースケースで厳格な精度要件を満たしていない場合があります。詳細については、このガイドの「[ビジネスの成熟度に関する考慮事項](choosing-approach.md#business-maturity)」を参照してください。