关于本研究专题
背景
数字公共卫生领域正随着大型语言模型（LLMs）的出现而迅速发展，这些模型有望彻底改变疾病监测、风险预测及个性化公共卫生干预措施。当LLMs基于涵盖电子健康记录、医学影像、结构化实验室数据、社交媒体和众包信息的多模态数据集进行训练时，将有助于推进情境感知系统建设，支持实时公共卫生决策。然而，医疗LLMs的部署仍面临数据碎片化、数据集间互操作性有限、算法偏见未解决、隐私担忧以及标准化基准测试与评估框架缺失等重大挑战。现有研究持续揭示出关键缺口：不仅存在于构建可靠且符合伦理的预训练资源方面，也体现在将LLMs无缝整合到多元化的实际数字健康应用中。
本研究专题旨在推动大型语言模型在数字与公共卫生场景中的基础构建、训练及临床与公共卫生验证方面的突破。我们将汇聚研究人员、临床医生、人工智能专家、公共卫生从业者及政策制定者，共同解决以下核心问题：构建丰富、具代表性且可互操作的数据集；开发透明、隐私保护且符合伦理规范的模型；以及将LLMs整合到传染病建模、健康结果预测和参与式数字干预的情境感知平台中。研究特别强调理解社会与伦理维度、确保跨学科准备度，并加速LLMs在公共卫生发展中的安全、公平且具影响力的应用部署。
为深入探索推进和整合LLMs用于数字公共卫生的路径，本专题欢迎围绕但不限于以下主题的研究投稿：
- 构建与整合多模态、情境丰富的预训练数据集（电子健康记录、医学影像、结构化公共卫生监测数据、社交媒体及众包来源）
- 用于疾病建模和健康结果预测的标准规范、处理流程及实时大数据流整合
- 针对公共卫生需求定制的情境感知且符合伦理的AI框架
- 利用LLMs的数字干预措施，例如用于预防和行为改变的严肃游戏、说服性技术及个性化推荐系统
- 将众包、移动健康和参与式系统整合到数字LLM流程的方法论
- 解决人口统计学与机构偏见、确保全球及跨语言适用性的策略
- 隐私保护的数据共享、安全联邦训练以及与国家与国际疾病监测系统的对接
- LLMs在公共卫生环境中的基准测试、临床验证及实际部署
- LLM驱动的数字健康解决方案在设计与实施中的信息学培训、跨学科能力建设及伦理考量
关键词
大型语言模型，数字公共卫生，数据整合，伦理人工智能，临床验证
【全文结束】
