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

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

放射學影像在醫學診斷中非常重要，對治療方向有關鍵影響。準確的放射學報告至關重要，常需與手術結果對照。手動比對費時費力，因此研究使用大型語言模型（LLM）自動提取報告關鍵細節，專注於肩部結構。LLM能識別放射學和手術報告中的特定結構，有助簡化評估過程。 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

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

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

這項研究開發了一個大型語言模型（LLM），能根據影像生成放射學印象，並評估其專業及語言表現。研究在上海總醫院進行，六位放射科醫生使用該模型並進行修正。LLM在20 GB醫學及一般文本數據上預訓練，並用1.5 GB數據微調，包含800份放射學報告。結果顯示，LLM的中位召回率為0.775，精確度0.84，F1分數0.772，表現良好。專家對其印象評價高，顯示其在放射學檢查中具專業性。 PubMed DOI

這項研究旨在提升一個開源的大型語言模型（LLM），自動生成來自不同醫院的放射學報告印象，涵蓋CT、超音波和MRI等影像檢查。研究人員使用UCSF醫療中心和Zuckerberg舊金山總醫院的大數據集，透過ROUGE分數評估模型表現。結果顯示，該LLM與專科醫師撰寫的印象有顯著重疊，雖然外部驗證時表現稍降。針對CT胸部檢查的讀者研究顯示，模型生成的印象在臨床和語法準確性上表現良好，顯示其在輔助放射科醫師工作中的潛力。 PubMed DOI

這項研究針對從非結構化的心血管診斷報告中提取數據的挑戰，特別是經胸心臟超音波檢查（TTE）報告。研究人員開發了一個兩步驟的過程，利用Llama2 70b和Llama2 13b模型。首先，Llama2 70b根據3,000份報告生成各種格式的TTE報告；接著，Llama2 13b（HeartDx-LM）微調這些報告以提取臨床數據。結果顯示，HeartDx-LM在多個數據集上表現優異，成功自動化將非結構化報告轉為結構化數據，提升心血管護理並促進研究，並已公開供使用。 PubMed DOI

放射學中的結構化報告（SR）旨在提升報告質量，但採用率仍然不高。近期大型語言模型（LLMs）的進展，特別是GPT-3.5和GPT-4，顯示出自動化SR的潛力。這篇回顧探討了LLMs在放射報告中的應用，包括文檔編寫、翻譯、臨床評估和數據挖掘等四個領域。雖然LLMs能提升SR的效率與準確性，但在臨床實踐中整合時仍需克服算法透明度和訓練數據的挑戰。 PubMed DOI