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

研究比較大型語言模型（LLMs）和神經放射學家在臨床案例中的表現，結果顯示神經放射學家的判讀能力優於LLMs。ChatGPT和Glass AI表現相近，顯示在醫學文本訓練上有進步空間。LLMs雖有潛力，但仍需改進，顯示醫學領域仍需專業知識。 PubMed DOI

研究評估了調校後的大型語言模型對個人化全身PET報告印象的準確性。透過訓練12個模型，並加入醫師身份標記來學習報告風格。最後選擇了表現最佳的PEGASUS模型，經醫師審查後，有89%的人認為結果令人滿意，平均得分為4.08分。個人化印象在臨床上與其他口述印象相當，顯示PEGASUS在加速PET報告上可能有幫助。 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

DL和LLMs在放射學中發揮重要作用，但仍需解決挑戰，確保臨床可靠性。放射科醫師應了解這些技術，並堅持醫學安全和道德。 PubMed DOI

研究比較了不同大型語言模型在放射學自動摘要生成的效果，重點在於準確的摘要對準確傳達放射學發現至關重要。研究使用T5和BART模型進行微調和零-shot學習，並與RNN進行比較。結果顯示，T5模型在Rouge-L分數達到0.638，且人類評判顯示T5生成的摘要與專業放射科醫師相似度高達70%。研究指出，自然語言處理和語言模型技術的進步有助於提升放射學摘要生成工具，對放射科醫師的工作有所助益。 PubMed DOI

這項研究評估了一個開源的大型語言模型（LLM）在從急診腦部MRI報告中提取信息的表現。對比了放射科醫師和LLM在識別頭痛、異常發現以及MRI結果與頭痛之間因果關係方面的能力。LLM在這些任務中表現出高靈敏度和特異度，顯示其具有潛力在不需額外訓練的情況下從放射學報告中準確提取信息。 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

研究測試了精細調校的大型語言模型（LLM）在分類腦部磁振造影報告的效能。LLM表現高準確、敏感，且處理速度快，比人類放射科醫師更有效。結果顯示LLM在醫學影像分析上有潛力，與專業醫師相當。 PubMed DOI

隨著患者能更直接獲取醫療紀錄，放射科報告中的醫學術語卻常讓人困惑。為了解決這個問題，我們提出利用大型語言模型（LLM）自動生成更易懂的報告翻譯。我們在100份去識別化的神經放射科報告上進行測試，並在不同閱讀水平上生成翻譯。結果顯示，翻譯的準確率和可讀性均優於傳統方法，特別是在第八年級閱讀水平上，準確率分別達到88%和93%。這種方法不僅增強了患者的理解，也不會顯著增加醫生的工作負擔。 PubMed DOI