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。

# 後續步驟和資源
<a name="next-steps"></a>

本指南可協助您使用 AWS 服務 自動化生產環境中真實應用程式的醫療 NLP 和生成式 AI 任務。它說明如何使用 Amazon Comprehend Medical、Amazon Bedrock 中支援的 LLMs、預先訓練的醫療 LLMs 或微調的 LLMs，以實現您的醫療保健和生命科學業務目標。本指南說明下列方法的優點和限制：
+ 獨立使用 Amazon Comprehend Medical
+ 將 Amazon Comprehend Medical 結果提供給 LLM
+ 在擷取增強生成 (RAG) 方法中使用預先訓練的一般 LLM 或醫療 LLM
+ 微調一般 LLM 或醫療 LLM

使用本指南中的[決策樹](choosing-approach.md)和[業務成熟度考量](choosing-approach.md#business-maturity)事項，根據您組織的 AI/ML 成熟度層級，在這些方法之間進行選擇。雖然 Amazon Comprehend Medical 和 Amazon Bedrock LLMs提供強大的功能，但只有在您正確實作和評估它們時，它們才會成功。使用本指南所述的[評估資訊和](evaluation.md)[指標](evaluation.md#evaluation-metrics)來驗證解決方案的效能。

對於後續步驟，我們建議醫療保健 IT 經理、架構師和技術主管與 AI/ML 從業人員合作，以識別其 NLP 醫療任務。使用本指南選擇開發路徑，然後使用適當的 AWS 服務 和 功能來成功實作自動化解決方案 AWS。

## AWS 資源
<a name="aws-resources"></a>
+ Amazon Comprehend Medical 文件：
  + [開發人員指南](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)
  + [API 參考](https://docs.aws.amazon.com/comprehend-medical/latest/api/Welcome.html)
+ [Amazon Bedrock 文件](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)
  + [Amazon Bedrock 模型評估](https://docs.aws.amazon.com/bedrock/latest/userguide/model-evaluation.html)
  + [在 Amazon Bedrock 中微調](https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model-fine-tuning.html)
+ [在 Amazon SageMaker AI 中微調模型](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-use-studio-updated-fine-tune.html)
+ [Amazon SageMaker Ground Truth](https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html)
+ [Amazon Comprehend 毒性偵測](https://docs.aws.amazon.com/comprehend/latest/dg/trust-safety.html#toxicity-detection)
+ [AWS 醫療保健能力合作夥伴](https://aws.amazon.com/health/healthcare-partner-solutions/)

## 其他資源
<a name="other-resources"></a>
+ [開啟 Medical-LLM 排行榜](https://huggingface.co/spaces/openlifescienceai/open_medical_llm_leaderboard)
+ [針對醫療保健的大型語言模型的調查：從資料、技術和應用程式到責任和道德](https://arxiv.org/pdf/2310.05694)
+ [大型語言模型是不良的醫療編碼器 — 醫學程式碼查詢基準](https://ai.nejm.org/doi/pdf/10.1056/AIdbp2300040)
+ [從入門到專家：將醫療知識建模為一般 LLMs](https://arxiv.org/html/2312.01040v3)