查看“PubMed”的源代码

{{Infobox
| bodystyle    = width: 300px; float: right; clear: right; margin: 0 0 1em 1em; border: 1px solid #a2a9b1; background: #f9f9f9;
| abovestyle   = background: #e0e0e0; font-size: 110%; font-weight: bold; text-align: center;
| headerstyle  = background: #eeeeee; font-weight: bold;

| above        = PubMed
| image        = 

| label1       = 维护机构
| data1        = [[NIH]] 下属的 NLM<br>(国家医学图书馆)

| label2       = 上线时间
| data2        = 1996年1月

| label3       = 核心数据源
| data3        = [[MEDLINE]]、[[PMC]]

| label4       = 收录文献数
| data4        = > 3,600 万条 (2024年)

| label5       = 核心技术
| data5        = [[MeSH]] (主题词索引)<br>ATM (自动术语匹配)

| label6       = 对AI价值
| data6        = 医疗[[大模型]]的核心语料库
}}

'''PubMed''' 是一个免费的搜索引擎，主要提供生物医学和生命科学领域的文献引文和摘要。它由美国国立卫生研究院（[[NIH]]）下属的国家医学图书馆（NLM）维护。

对于全球的医生、科研人员以及医疗 AI 开发者来说，PubMed 是获取循证医学证据（Evidence）的首选入口。它并不直接存储文章全文，而是提供指向全文的链接（通常指向出版商网站或 [[PMC]]）。<ref name="NLM_PubMed" />

== 核心组成 (容易混淆的概念) ==
很多人将 PubMed 等同于 MEDLINE，但实际上 PubMed 是一个包含了三个主要部分的超集：

=== 1. MEDLINE (核心索引) ===
* 这是 PubMed 的灵魂，占收录量的绝大多数。
* '''特点'''：所有文章都经过人工筛选，并打上了规范化的 '''[[MeSH]]''' 标签（医学主题词）。
* '''价值'''：对于 AI 来说，MEDLINE 是结构化最好的数据，标签准确，噪音少。

=== 2. PubMed Central (PMC) ===
* 这是一个'''免费全文'''数字档案库。
* '''区别'''：PubMed 只提供“摘要”，而 PMC 提供“全文”（Full Text）。
* '''对AI的意义'''：训练大模型时，如果只看摘要（Abstract）是不够的。PMC 开放获取（Open Access）的数据集是训练 AI 阅读理解复杂病历和实验方法的关键资源。

=== 3. Bookshelf (书架) ===
* 收录生物医学书籍和报告。

== MeSH：医疗AI的知识图谱 ==
**Medical Subject Headings (MeSH)** 是 PubMed 搜索算法的核心，也是您的“智慧医生”构建知识图谱（Knowledge Graph）的最佳参考。
* '''原理'''：它是一个巨大的受控词表。例如，无论用户搜 "Cancer"、"Tumor" 还是 "Malignancy"，MeSH 都会将它们映射到标准术语 "Neoplasms"（肿瘤）。
* '''应用'''：利用 MeSH 体系，您的 AI 可以实现精准的语义检索，而不是低级的关键词匹配。

== PubMed 与 AI 医疗大模型 ==
在 LLM（大语言模型）时代，PubMed 的地位不可撼动：
* '''预训练语料'''：著名的医疗垂直模型，如 Google 的 Med-PaLM、微软的 BioGPT 以及学术界的 '''PubMedBERT'''，其核心训练数据均来自 PubMed 和 PMC。<ref name="PubMedBERT" />
* '''RAG (检索增强生成)'''：当您的“智慧医生”回答患者问题时，为了避免 AI “一本正经地胡说八道”（幻觉），可以通过 API 实时调用 PubMed 的最新摘要作为依据，实现“有据可查”的回答。

== 访问工具 ==
* '''E-utilities API'''：NLM 提供的官方 API 接口，允许程序自动化地从 PubMed 抓取数据。这是您的技术团队对接 PubMed 的标准方式。

== 参见 ==
* [[NIH]] (美国国立卫生研究院)
* [[MEDLINE]]
* [[PMC]] (PubMed Central)
* [[MeSH]] (医学主题词)
* [[自然语言处理]] (NLP)

== 参考资料 ==
<references>
<ref name="NLM_PubMed">National Library of Medicine. (2023). PubMed Overview. [https://pubmed.ncbi.nlm.nih.gov/about/]</ref>
<ref name="PubMedBERT">Gu, Y., et al. (2021). Domain-specific language model pretraining for biomedical natural language processing. ''ACM Transactions on Computing for Healthcare'', 3(1), 1-23. [https://doi.org/10.1145/3458754]</ref>
</references>

[[Category:生物信息学]]
[[Category:在线数据库]]
[[Category:医学研究]]