本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 醫療保健和生命科學使用案例的常見問答集
以下是有關使用 Amazon Comprehend Medical 或 LLMs進行醫療 NLP 任務的常見問題。
## 如何在 Amazon Comprehend Medical 和 LLM 之間進行選擇？
如果您的任務是偵測醫療文字中的醫療實體，請檢閱 [Amazon Comprehend Medical 文件](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)，以了解可以擷取哪些醫療實體，以及是否有任何[目錄](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html)解決您的使用案例。如果沒有，請考慮使用 LLM。如需詳細資訊，請參閱本指南[LLM 的使用案例](llms.md#llm-use-cases)中的 [Amazon Comprehend Medical 的使用案例](comprehend-medical.md#comprehend-medical-use-cases)和 。
## 如何將 Amazon Comprehend Medical 結果提供給 LLM？
您可以在 LLM 提示中將 Amazon Comprehend Medical 結果合併為內容。這可為 LLM 提供額外的醫學知識和術語。提供的內容可以改善 LLM 在實體辨識、摘要或問答等任務上的效能。本指南提供數個範例，說明如何使用 Amazon Comprehend Medical 結果建構提示。如需詳細資訊，請參閱本指南中的 [結合 Amazon Comprehend Medical 與大型語言模型](comprehend-medical-rag.md)。
## 搭配使用 Amazon Comprehend Medical 與 LLMs時，有哪些最佳實務？
我們建議您使用 Amazon Comprehend Medical 可信度分數來篩選或排定提示中的實體的優先順序。評估其在特定資料上的效能，並驗證實體定義是否符合您的需求也很重要。結合 Amazon Comprehend Medical 與特定網域的知識來源，可進一步增強 LLM 的效能。如需詳細資訊，請參閱本指南中的 [在 RAG 工作流程中使用 Amazon Comprehend Medical 的最佳實務](comprehend-medical-rag.md#comprehend-medical-rag-best-practices)。
## 我是否應該使用預先訓練的醫療 LLM，或針對我的醫療保健使用案例微調一般 LLM？
決策取決於您的特定需求和高品質訓練資料的可用性。預先訓練的醫療 LLMs可以提供良好的起點。不過，您可能仍然需要使用網域特定的資料進行微調。如果您有足夠的標記資料，微調一般 LLM 可能是可行的選項。如需詳細資訊，請參閱本指南[為醫療保健和生命科學選擇 NLP 方法](choosing-approach.md)中的 [選擇 LLM](llms.md#llm-selection)和 。
## 如何評估醫療 NLP 任務的 LLMs 效能？
我們建議您使用量化指標，例如文字分類和具名實體辨識任務的準確性、精確度、召回率和 F1 分數。您可以針對文字產生任務使用 ROUGE 和 METEOR。擁有由主題專家標記的可靠基本事實資料，並實作長期監控模型效能的程序非常重要。如需詳細資訊，請參閱本指南中的 [評估醫療和生命科學應用程式的 LLMs](evaluation.md)。
## 高複雜性和低複雜性 LLM 解決方案之間的權衡是什麼？
微調 LLM 或建置自訂 LLM 是高度複雜的解決方案。這些方法可以改善效能，但具有更高的成本和維護需求。更簡單的解決方案，例如使用預先訓練LLMs 或 Amazon Comprehend Medical，可能會以更低的成本和更快的開發週期提供可接受的效能。不過，這些方法可能不符合某些使用案例的嚴格準確性要求。如需詳細資訊，請參閱本指南中的 [業務成熟度考量事項](choosing-approach.md#business-maturity)。