這篇文章總結了目前在放射治療中運用深度學習進行自動分割的研究，涵蓋了807篇論文，包括各種癌症部位和影像模式。分析出共同趨勢、方法和未來研究方向，提供了在競爭激烈的研究領域中進行高品質分割研究的見解和實用指南。ChatGPT語言模型支持了這項分析。 PubMed DOI

放射學影像在醫學診斷中非常重要，對治療方向有關鍵影響。準確的放射學報告至關重要，常需與手術結果對照。手動比對費時費力，因此研究使用大型語言模型（LLM）自動提取報告關鍵細節，專注於肩部結構。LLM能識別放射學和手術報告中的特定結構，有助簡化評估過程。 PubMed DOI

這項研究比較了一個經過微調的大型語言模型（LLM）與放射科醫師在從放射學報告中識別肺癌預防治療患者方面的表現。LLM在分類患者方面表現出高準確度和敏感度，與放射科醫師相似，但處理時間更快。研究結果表明，LLM能夠有效地及時從醫療記錄中提取相關信息。 PubMed DOI

新研究介紹了GPT-RadPlan，使用GPT-4Vision的自動化治療計劃框架，改善放射治療。GPT-RadPlan在攝護腺和頭頸癌症治療中表現優異，比臨床計劃更有效。這種自動化系統可簡化治療計劃流程，無需額外培訓。 PubMed DOI

放射治療是癌症治療的重要方法，但目前的目標區域劃定仍依賴專家手動進行，容易耗時且不一致。雖然人工智慧在正常組織的自動輪廓描繪上已有進展，但準確劃定治療目標仍具挑戰。本研究介紹了Radformer，一個結合視覺變壓器和大型語言模型的自動劃定網絡，能有效整合視覺與文本數據。經過對2,985名頭頸癌患者的評估，Radformer在分割指標上表現優於現有模型，顯示其在放射治療中的潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是GPT-4，在數位影像與醫學通訊（DICOM）伺服器中，根據美國醫學物理學會TG-263標準重新標記結構名稱的應用。研究針對前列腺、頭頸部和胸腔三個疾病部位，選取150名患者進行調整，50名患者用於評估。結果顯示高準確率，前列腺97.2%、頭頸部98.3%和胸腔97.1%。研究顯示GPT-4能有效標準化放射腫瘤學中的結構名稱，顯示其在該領域的潛力。 PubMed DOI

這項研究評估大型語言模型（LLMs）在解釋乳腺影像報告及提供臨床建議的表現，分為兩個步驟： 1. **文本評估**：比較十個LLMs與放射科醫師在100道BI-RADS選擇題上的準確率。Claude 3.5 Sonnet表現最佳（90%），超過一般放射科醫師（78%）和乳腺放射科醫師（82%）。 2. **視覺評估**：測試五個多模態LLMs在100張乳腺超音波影像上的表現，Claude 3.5 Sonnet以59%準確率領先。 研究顯示，雖然LLMs在文本評估中表現良好，但視覺診斷能力有限，需在放射科醫師監督下使用，以避免誤診。 PubMed DOI

多學科腫瘤委員會由各類醫療專家組成，對癌症患者的治療計畫至關重要，雖然面臨物流和財務挑戰，但仍能顯著提升生存率。本研究評估大型語言模型在頭頸部腫瘤委員會的推薦程序有效性，使用參數高效微調和上下文學習等方法。結果顯示，治療方案一致性達86%，醫學上可辯護的建議達98%。參數高效微調表現優於上下文學習，且較大商業模型通常效果更佳。建議增強數據集並納入更新指導方針，以提升模型在醫療決策中的準確性，值得進一步研究。 PubMed DOI

這項研究提出了一種新方法，結合大型語言模型（LLMs）與電腦輔助診斷（CAD）網絡，提升胸部X光片的醫學影像分析。雖然LLMs在自然語言處理上表現優異，但在醫學影像上通常不佳。這個框架利用LLMs的優勢，改善CAD系統的診斷準確性和報告生成，讓報告品質更高。使用ChatGPT後，診斷表現提升了16.42個百分點，GPT-3則在F1-score上提高了15.00個百分點。這種創新方法有潛力改變臨床決策過程，並改善病患互動。 PubMed DOI

這項研究探討放射治療中的治療計畫挑戰，重點在於使用深度學習模型預測劑量-體積直方圖（DVHs），特別是新型的劑量圖神經網絡（DoseGNN）。這個模型能將醫學影像轉換為結構化圖形，提升DVH預測準確性。DoseGNN結合大型語言模型（LLM），促進臨床醫師互動，並提出線上人機協作系統（OHAC）以改善強度調變放射治療（IMRT）的自動化。與其他模型比較，DoseGNN在預測計畫目標體積和危險器官的表現更佳，顯示出提升放射治療計畫準確性和效率的潛力。 PubMed DOI