研究比較了不同NLP模型在擷取非小細胞肺癌患者影像報告中的癌症結果。結果顯示，DFCI-ImagingBERT表現最佳，但簡單模型也不錯。若資源有限，簡單機器學習模型仍可有效。 PubMed DOI

研究發現利用大型語言模型（LLM）從醫療報告中提取乳癌患者臨床因素效益良好。LLM處理了2020至2022年接受放射治療的患者數據，節省時間和成本，整體準確率達87.7%。研究指出自然語言處理運用LLM擷取醫療記錄重要資訊潛力大，建議未來研究應用相關提示。 PubMed DOI

深度學習應用在病理圖像可提升腫瘤醫學精準度，減輕專家負擔。然而，訓練模型需要耗時且昂貴的標記數據。研究指出使用GPT-4等大型語言模型，能從非結構化病理報告中提取結構化數據，無需重新訓練。結果顯示模型生成的數據與人類高度一致，未來或可應用在提取真實數據供機器學習使用。 PubMed DOI

醫療機構的病理科常有重要資料，但提取資料常需手動且耗時。利用大型語言模型如ChatGPT和Google Bard能自動化這過程。將病理報告輸入模型，可輕鬆創建摘要報告，並匯出至Excel等工具。AI輔助的資料提取可提升研究效率和準確性，勝過手動方式。 PubMed DOI

統合報告是一種結構化記錄臨床資訊的方法，有助於提升病患照護品質。本研究利用先進語言模型自動生成癌症相關統合報告，避免昂貴且容易出錯的手動合成。透過調整LLAMA-2模型並使用BERT F1分數評估，研究顯示微調模型能高準確生成統合報告。 PubMed DOI

像GPT-4這樣的大型語言模型(LLMs)可以自動從原始的自由文本報告中高精度地生成胰臟導管腺癌(PDAC)的結構化摘要報告。GPT-4在創建摘要報告和分類腫瘤可切除性方面優於GPT-3.5。外科醫生使用人工智慧生成的報告比原始報告更準確和高效地確定可切除性。 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

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

這項研究比較了ChatGPT大型語言模型（LLMs）與不同經驗的人類讀者在肺癌分期的表現。研究納入700名非小細胞肺癌患者，使用胸部CT和FDG PET/CT報告進行分析。結果顯示，GPT-4o的準確率為74.1%，優於其他模型和一位住院醫師，但仍低於專科訓練的放射科醫生。這表明，雖然LLMs在某些方面表現不錯，但在癌症分期等複雜任務中，專業醫療人員的角色仍然不可或缺。 PubMed DOI

本研究探討大型語言模型（LLMs），特別是GPT-3.5 turbo和GPT-4，如何提取肝細胞癌病理報告中的關鍵要素。考量到手動整理報告的困難，研究比較了LLMs與傳統的正則表達式（REGEX）方法的準確性。共分析了88份病理報告，重點在五個關鍵要素。結果顯示，LLMs和REGEX的提取準確性均相當，介於84.1%到94.8%之間。研究指出，LLMs有潛力顯著簡化提取過程，進而加速癌症研究的進展。 PubMed DOI