本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 关于医疗保健和生命科学用例的常见问题
以下是与使用 Amazon Comprehend Medical 或执行医疗 LLMs NLP 任务相关的常见问题。
## 我该如何在亚马逊 Comprehend Medical 和法学硕士学位之间做出选择？
如果您的任务是在医学文本中检测医疗实体，请查看 [Amazon Comprehend Medical](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html) 文档，以了解可以提取哪些医疗实体，以及是否有任何[本](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html)体可以解决您的使用案例。如果没有，请考虑使用法学硕士。有关更多信息，请参阅本指南中的[亚马逊 Comprehend Medical 的用例](comprehend-medical.md#comprehend-medical-use-cases)和[法学硕士学位的用例](llms.md#llm-use-cases)。
## 如何向法学硕士提供亚马逊 Comprehend Medical 成绩？
你可以将 Amazon Comprehend Medical 成绩作为背景纳入法学硕士提示中。这为法学硕士提供了额外的医学知识和术语。提供的上下文可以提高法学硕士在实体识别、总结或问答等任务上的表现。该指南提供了几个示例，说明如何使用 Amazon Comprehend Medical 结果来构造提示。有关更多信息，请参阅本指南中的[将 Amazon Comprehend Medical 与大型语言模型相结合](comprehend-medical-rag.md)。
## 使用 Amazon Comprehend Medical 时，有哪些最佳实践？ LLMs
我们建议使用 Amazon Comprehend Medical 置信度分数来筛选提示中的实体或确定其优先顺序。评估其在您的特定数据上的表现并验证实体定义是否符合您的要求也很重要。将Amazon Comprehend Medical与特定领域的知识来源相结合，可以进一步提高法学硕士的绩效。有关更多信息，请参阅本指南中的[在 RAG 工作流程中使用 Amazon Comprehend Medical 的最佳实践](comprehend-medical-rag.md#comprehend-medical-rag-best-practices)。
## 我应该使用经过预先培训的医学法学硕士学位还是针对我的医疗保健用例微调普通法学硕士学位？
该决定取决于您的具体要求和高质量训练数据的可用性。经过预先培训的医疗人员 LLMs 可以提供一个良好的起点。但是，您可能仍需要使用特定于域的数据对其进行微调。如果您有足够的标签数据，则微调通用法学硕士学位可能是一个可行的选择。有关更多信息，请参阅本指南中的[选择法学硕士](llms.md#llm-selection)和[为医疗保健和生命科学选择自然语言处理方法](choosing-approach.md)。
## 如何评估医疗自然语言处理任务 LLMs 的表现？
对于文本分类和命名实体识别任务，我们建议使用定量指标，例如准确性、精确度、召回率和 F1 分数。你可以使用 ROUGE 和 METEOR 来完成文本生成任务。重要的是要由主题专家标记可靠的地面实况数据，并实施一段时间内监测模型性能的流程。有关更多信息，请参阅本指南中的[评估 LLMs 医疗保健和生命科学应用](evaluation.md)。
## 高复杂性和低复杂性法学硕士解决方案之间有什么权衡取舍？
微调 LLM 或构建自定义 LLM 是非常复杂的解决方案。这些方法可以提高性能，但会带来更高的成本和维护要求。更简单的解决方案，例如使用预训练 LLMs 或 Amazon Comprehend Medical，可能会以更低的成本和更快的开发周期提供可接受的性能。但是，对于某些用例，这些方法可能无法满足严格的精度要求。有关更多信息，请参阅本指南中的[业务成熟度注意事项](choosing-approach.md#business-maturity)。