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

研究發現大型語言模型（LLMs）在回答放射腫瘤學物理問題上有應用價值。ChatGPT（GPT-4）在演繹推理能力方面表現優異，但合作的醫學物理師團隊仍可超越其。LLMs有助於放射腫瘤學專家，值得進一步探討。 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

機器學習和自然語言處理技術進步，如ChatGPT，能提供自然語言回應和知識查詢。研究發現ChatGPT在放射線治療問題上表現良好，但仍有一致性挑戰。LLMs未來將對社會和臨床實踐產生更大影響，尤其在放射腫瘤學領域。 PubMed DOI

LLMs在放射腫瘤學患者溝通方面有潛力，但需要進一步研究。一項評估顯示LLM在正確性、完整性和簡潔性方面表現良好，並幾乎沒有危害風險。儘管LLM的回應水準高，仍需進行再訓練，但對放射腫瘤學等醫學領域的患者查詢有價值。 PubMed DOI

隨著人工智慧工具的普及，患者和醫療專業人員越來越依賴這些工具提供的醫療資訊。本研究評估了五個大型語言模型（LLaMA 1、PaLM 2、Claude-v1、GPT-3.5和GPT-4）在2044個腫瘤學相關問題上的表現。結果顯示，GPT-4在與人類基準比較中表現最佳，達到第50百分位以上。雖然GPT-4的準確率高達81.1%，但所有模型仍存在顯著錯誤率，顯示出持續評估這些AI工具的重要性，以確保其安全應用於臨床實踐。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是Open AI的GPT-4.0和Microsoft Bing的GPT-4，在將非結構化的乳房超音波報告轉換為結構化格式的有效性。研究分析了100份報告，結果顯示GPT-4.0在生成結構化報告、準確分配BI-RADS分類及提供管理建議方面均優於Bing。此外，GPT-4.0在預測良性和惡性特徵的能力也較佳，但仍不及資深放射科醫師。這顯示GPT-4.0在醫療報告處理上具有潛力。 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

這項研究評估了多種大型語言模型（LLMs）在協助醫生對放射治療保險拒絕上訴的表現。測試的模型包括GPT-3.5、GPT-4及其具網路搜尋能力的版本。研究使用20個模擬病歷進行評估，結果顯示GPT-3.5、GPT-4和GPT-4web能產生清晰且具臨床相關性的上訴信，對加速上訴過程有幫助。相對而言，經微調的GPT-3.5ft表現較差，且所有模型在引用文獻時均有困難。整體而言，LLMs可減輕醫生的文書負擔，但小型數據集微調可能影響性能。 PubMed DOI