大型語言模型的聊天機器人利用神經網絡處理語言，可提供個人化互動和技能發展。雖非針對醫療，但對卵巢癌等生醫問題有潛力。透過臨床審查非結構化數據，提供有價值見解。發展特定任務語言模型可增進生醫語言處理和科學寫作效能。提出卵巢癌特定語言模型可優化相關研究。 PubMed DOI

討論了利用人工智慧、自然語言處理和機器學習技術，從電子健康記錄中提取結構化數據，用於腫瘤學研究。研究成功地從文件中提取臨床信息，表現優異，提供了癌症診斷、疾病分期、治療細節等變數，有助於高效分析真實世界數據。 PubMed DOI

研究比較四個大型語言模型（LLMs）與專家醫師在協助精準腫瘤學臨床決策的表現。LLMs提供更多治療方案，但品質和可信度不如專家。然而，部分LLMs提出的治療方案獲得委員會認可。研究建議LLMs可提供協助，但無法取代人類專家。 PubMed DOI

NLP中的LLMs是強大模型，能夠理解和生成人類文本。在醫療領域，可應用在聊天機器人、臨床文件和文獻。挑戰在於診斷輔助和患者分流。2023年將釋出針對醫療的LLMs，主要用於聊天機器人。跟進技術發展具有挑戰性，了解應用和限制是討論焦點。本文總結LLMs在醫學上的潛力，探討安全有效的應用。未來可能應用於決策的AI模型和虛擬臨床夥伴。 PubMed DOI

研究探討大型語言模型如ChatGPT在乳癌管理上的應用，發現準確性有差異。儘管有潛力，但需注意準確性不一致和依賴提示等挑戰，強調驗證和監督的重要性。 PubMed DOI

癌症是一種複雜的疾病，對全球健康造成重大挑戰。儘管科技進步，早期診斷和有效治療仍然困難。大型數據集的出現讓生物資訊工具有了新機會，人工智慧（AI）逐漸成為重要工具，機器學習技術在預測和診斷上展現潛力。不過，AI在臨床應用中仍面臨挑戰，尤其是報告指導方針的使用不足，影響研究的可重複性。本文探討AI在癌症研究中的應用，分析其優缺點及未來影響。 PubMed DOI

這篇論文探討流行病學和臨床癌症登記在改善腫瘤醫療及研究中的重要性，特別是在癌症影響日益擴大的情況下。文中指出醫療數據的多樣性帶來挑戰，使得腫瘤手動記錄變得困難。研究提出利用大型語言模型（LLMs）將非結構化醫療報告轉換為德國基本腫瘤數據集所需的結構化格式。結果顯示，將LLMs整合進醫院數據管理或癌症登記系統，能顯著提升癌症數據的質量與完整性，對於有效的診斷、治療及療效評估至關重要。這項研究為人工智慧在醫療數據處理及癌症護理中的潛力提供了新的見解。 PubMed DOI

這項研究針對將非結構化醫療文本轉換為結構化格式的挑戰，提出了一個自動化的本地流程，確保使用開源大型語言模型（LLMs）時能維護數據隱私。研究針對包含敏感健康資訊的德語醫療文件進行測試，結果顯示在800份非結構化醫療報告中，數據提取的準確率高達90%，表現優於醫生和醫學生的手動提取。這顯示該流程能有效提升數據可用性，同時保障隱私。 PubMed DOI

這篇論文回顧了自然語言處理技術，特別是大型語言模型在放射科報告中提取結構化數據的應用。雖然放射影像使用普遍，但報告中的自由文本常未被充分利用。根據PRISMA-ScR指導方針，分析了2023年8月1日從五個資料庫中找到的34項研究。結果顯示，大多數研究集中在前變壓器和編碼器模型上，外部驗證時性能下降。LLMs可能增強信息提取的普遍適用性，但面臨外部驗證不足和報告粒度問題等挑戰。 PubMed DOI

這份協議介紹了LLM-AIx工作流程，利用大型語言模型（LLMs）從非結構化的臨床文本中提取結構化信息，解決手動審查的困難。流程包含四個步驟：問題定義與數據準備、數據預處理、基於LLM的信息提取及輸出評估。LLM-AIx可在本地醫院實施，確保病人數據安全，並已在虛構的肺栓塞臨床信件及癌症基因組計畫的病理報告中成功應用。系統設計友好，讓無程式設計背景的使用者也能輕鬆操作，提升臨床研究與決策效率。 PubMed DOI