結構化報告可以增進放射學工作流程，並促進醫師間的溝通。人工智慧在醫學領域的應用越來越普遍，大型語言模型（LLMs）被用於放射學的結構化報告。四個LLM模型被比較其知識和模板提議能力。LLMs在放射學中生成結構化報告方面顯示出潛力，但需要進一步的正式驗證。 PubMed DOI

研究比較了GPT模型和放射科醫師生成放射學報告的表現，結果顯示GPT-4在準確性上優於GPT-2和GPT-3.5，但仍不及醫師。醫師在印象和鑑別診斷方面表現較佳。GPT-3.5和GPT-4生成的報告可讀性高，但準確性仍需醫師驗證。 PubMed DOI

研究發現，比較放射科醫師和GPT-4 AI生成的放射學報告，發現兩者在質量和內容上相當，但AI報告更為簡潔，且結構稍有不同。這顯示GPT-4可能是一個可靠的工具，有助於提升臨床效率和溝通。然而，仍需解決道德問題和限制，以確保安全實施。 PubMed DOI

研究比較四個大型語言模型在簡化放射學報告以提高患者閱讀易懂性的表現。結果顯示，所有模型都成功簡化報告，但在提供背景資料後效果更好。這顯示這些模型在幫助患者理解放射學報告方面有潛力。 PubMed DOI

這項研究評估了生成式預訓練轉換器（GPT）-4在從肝部MRI報告中提取LI-RADS特徵和分類的表現。GPT-4在提取虛構和真實報告中的主要LI-RADS特徵和分類方面表現出高準確性。為了可靠地處理真實世界的MRI報告，需要進一步改進提示策略和神經網絡架構。 PubMed DOI

研究使用GPT-3.5 Turbo和GPT-4等語言模型在神經放射學案例上進行診斷，結果顯示在不同任務上有不同表現。結合案例搜尋和直接診斷可提升GPT-3.5 Turbo表現，但整體仍有改進空間，需注意模型限制。結果顯示這些模型在特定情況下可作為輔助診斷工具。 PubMed DOI

研究比較了GPT-4與傳統監督式模型在臨床註記中提取資訊的表現，結果顯示GPT-4在乳癌病理報告分類上表現優異，甚至超越其他LLMs和監督式模型。GPT-4的零-shot分類能力對標籤不平衡的任務特別有效。雖然LLMs減少了標註需求，但簡單模型配合大量標註資料也能達到相當效果。GPT-4有潛力加速臨床自然語言處理研究，減少標註需求，促進臨床研究中使用自然語言處理變數。 PubMed DOI

人工智慧（AI）在醫療，特別是放射學的發展，正帶來重大變革，提升診斷準確性和病人參與度。大型語言模型（LLMs），如GPT-4，能協助撰寫和總結放射報告，支持鑑別診斷，並建議基於證據的治療方案。本文探討了GPT-4在提升診斷精確度和報告效率的應用，同時也提到實施AI技術所面臨的倫理和隱私挑戰，強調需謹慎監督和遵循法規。最終，這些技術有望改善病人照護和臨床研究。 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

這項研究評估了ChatGPT-3.5在生成乳房超音波報告的BI-RADS分類的有效性，目的是提升醫療診斷的準確性和可解釋性。研究分析了131名患者的報告，並將AI生成的結果與57位醫生的報告進行比較。結果顯示，雖然AI在結構和清晰度上表現良好，但在BI-RADS分類準確性和惡性診斷上仍需改進。研究也探討了「思考鏈」方法，顯示AI在模擬臨床決策過程中的潛力，整體而言，ChatGPT-3.5對乳房超音波評估的診斷結果有助益。 PubMed DOI