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。

# 后续步骤和资源
<a name="next-steps"></a>

本指南可帮助您用于 AWS 服务 在生产环境中为实际应用自动执行医疗 NLP 和生成式 AI 任务。它描述了如何使用 Amazon Comprehend Medical、Amazon Bedrock 支持 LLMs 、预先培训的医疗或 LLMs 微调来实现您的 LLMs医疗保健和生命科学业务目标。本指南描述了以下方法的优点和局限性：
+ 独立使用亚马逊 Comprehend Medical
+ 向法学硕士提供亚马逊 Comprehend Medical 成绩
+ 在检索增强生成 (RAG) 方法中使用预先训练的普通法学硕士或医学法学硕士
+ 微调普通法学硕士或医学法学硕士

使用本指南中的[决策树](choosing-approach.md)和[业务成熟度注意事项](choosing-approach.md#business-maturity)，根据组织 AI/ML 的成熟度级别在这些方法之间进行选择。尽管 Amazon Comprehend Medical 和 A LLMs mazon Bedrock 提供了强大的功能，但只有当你正确实施和评估它们时，它们才会成功。使用本指南中描述的[评估信息和](evaluation.md)[指标](evaluation.md#evaluation-metrics)来验证您的解决方案的性能。

对于后续步骤，我们建议医疗保健 IT 经理、架构师和技术主管与 AI/ML 从业人员合作，确定他们的 NLP 医疗任务。使用本指南选择开发路径，然后使用相应的 AWS 服务 和功能在上成功实施自动化解决方案 AWS。

## AWS 资源
<a name="aws-resources"></a>
+ 亚马逊 Comprehend Medical 文档：
  + [开发人员指南](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)
  + [API 引用](https://docs.aws.amazon.com/comprehend-medical/latest/api/Welcome.html)
+ [Amazon Bedrock 文档](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)
  + [亚马逊 Bedrock 模型评估](https://docs.aws.amazon.com/bedrock/latest/userguide/model-evaluation.html)
  + [在 Amazon Bedrock 中进行微调](https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model-fine-tuning.html)
+ [在 Amazon A SageMaker I 中微调模型](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-use-studio-updated-fine-tune.html)
+ [亚马逊 G SageMaker round Truth](https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html)
+ [亚马逊 Comprehend 毒性检测](https://docs.aws.amazon.com/comprehend/latest/dg/trust-safety.html#toxicity-detection)
+ [AWS 医疗保健能力合作伙伴](https://aws.amazon.com/health/healthcare-partner-solutions/)

## 其他 资源
<a name="other-resources"></a>
+ [打开 Medical-LLM 排行榜](https://huggingface.co/spaces/openlifescienceai/open_medical_llm_leaderboard)
+ [医疗保健大型语言模型调查：从数据、技术和应用到问责制和道德](https://arxiv.org/pdf/2310.05694)
+ [大型语言模型是糟糕的医疗编码人员——医疗代码查询的基准](https://ai.nejm.org/doi/pdf/10.1056/AIdbp2300040)
+ [从初学者到专家：将医学知识建模为一般知识 LLMs](https://arxiv.org/html/2312.01040v3)