這篇論文介紹了一個名為KOMAP的系統，它利用線上工具從電子健康記錄中識別相關特徵，以創建自動化表型算法。透過整合來自不同來源的知識，KOMAP能夠生成在多個醫療中心表現優異的高效算法。這種方法簡化了表型化過程，促進了不同機構之間的合作，而無需患者級別的輸入或黃金標準標籤。 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

自2022年以來，人工智慧的進步特別在大型語言模型（LLMs）和變壓器神經網絡方面大幅加速。這對腫瘤學和癌症研究產生深遠影響，因為AI模型現在展現出處理文本和圖像的能力已達人類水準。這些技術整合後可建立多模式AI模型，能同時處理各種數據類型，遠離過去專門化模型的十年。這些進步有望不久將來改革精準腫瘤學。 PubMed DOI

研究使用AI分析加拿大大學健康網絡中非鱗狀非小細胞肺癌患者的電子健康記錄，發現患有常見EGFR敏感性突變的病人存活率較高，尤其是exon 20插入突變者更明顯。然而，接受奧西米替尼治療的EGFR突變患者停藥後存活率較低，顯示晚期EGFR突變非小細胞肺癌需更有效治療。 PubMed DOI

整合生物資訊與健康記錄，革新生物醫學研究，提供全面洞察。探討不同數據整合方法，從人口生物庫到單細胞生物資訊，強調大型語言模型在數據整合中的重要性。呼籲共同努力推動精準醫學創新。 PubMed DOI

研究利用大型語言模型和資訊提取系統辨識放射學報告中轉移部位，最佳模型F1分數為0.91，資訊提取系統更高達0.93。系統在不同癌症和驗證集有高準確性，發現第四期結腸癌和肺癌患者轉移模式不同。這有助於癌症研究和臨床試驗。 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

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

以病人為中心的結果（PCOs）在癌症治療中非常重要，因為它們能反映病人的生活品質。然而，關於乳腺癌的發病率和生存率的數據，尤其是治療副作用和依從性影響的研究，通常僅限於小型研究或單一機構。為了解決這個問題，我們使用大型語言模型（LLMs）如GPT-2等，從梅奧診所、埃默里大學醫院和史丹佛大學的臨床筆記中提取PCOs。我們開發了一個開源框架，微調LLMs以提升PCO提取的準確性，結果顯示微調後的模型表現顯著優於未微調的模型。 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