原始文章

這篇評論探討了線上醫療資源和人工智慧工具在放射腫瘤學中的影響。經過系統性搜尋,從2161篇手稿中納入70篇研究。結果顯示,網路臨床決策工具能有效應用於劑量計算和分期等領域,並且有35篇論文強調其教育效益。此外,35篇文章探討數位和AI工具在治療計畫及診斷中的應用,特別針對乳腺癌和頭頸癌進行研究。整體來看,這些工具在個性化癌症治療上展現出顯著潛力。 PubMed DOI


站上相關主題文章列表

人工智慧(AI)進步帶來大型語言模型,可應用於腫瘤學,支援臨床、教育和癌症研究。然而,應用前需解決問責、數據準確性和保護等問題。AI技術進步將引發道德和實際困境,需持續評估。本文探討大型語言模型在腫瘤學的應用潛力及相關挑戰。 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

這項研究探討放射治療中的治療計畫挑戰,重點在於使用深度學習模型預測劑量-體積直方圖(DVHs),特別是新型的劑量圖神經網絡(DoseGNN)。這個模型能將醫學影像轉換為結構化圖形,提升DVH預測準確性。DoseGNN結合大型語言模型(LLM),促進臨床醫師互動,並提出線上人機協作系統(OHAC)以改善強度調變放射治療(IMRT)的自動化。與其他模型比較,DoseGNN在預測計畫目標體積和危險器官的表現更佳,顯示出提升放射治療計畫準確性和效率的潛力。 PubMed DOI

這篇系統性回顧與統合分析探討大型語言模型(LLMs)在臨床腫瘤學的應用,分析了34項研究以評估其表現。研究發現,LLMs主要測試回答腫瘤學問題的能力,但因方法論和評估標準不同,表現上有顯著變異。模型能力、提示策略及特定腫瘤領域等因素影響這些變異。此外,LLMs缺乏標準化報告協議,造成方法論不一致。解決這些問題對提升研究可比性及促進LLM在臨床實踐中的應用至關重要。 PubMed DOI

LLMSeg的發展在放射治療,特別是乳癌治療中,具有重要意義。它利用大型語言模型整合臨床文本與影像數據,成功解決靶區輪廓描繪的挑戰,超越了傳統的器官分割任務。在外部環境和數據稀缺的情況下,LLMSeg的驗證顯示其實用性,表現優於傳統的單模態人工智慧模型,展現出更強的泛化能力和數據效率,成為改善放射腫瘤學實務的有力工具。 PubMed DOI

大型語言模型(LLMs)在腫瘤學的應用正在改變病人照護的方式。它們能提供個性化的癌症資訊、協助診斷、監測治療進展,並促進後續照護。這些模型的潛在好處包括提高資訊可及性、個性化支持及提升醫療效率。然而,使用過程中也需注意數據隱私、偏見及知情同意等倫理問題。此外,法規方面需建立明確的批准流程、責任界定及持續監測機制,以確保安全與有效性。整體而言,LLMs在腫瘤學的整合需謹慎推進。 PubMed DOI

放射科醫生越來越依賴人工智慧(AI)來提升診斷準確性,但許多人對機器學習(ML)和深度學習(DL)技術不夠熟悉,限制了這些技術的應用。研究評估了大型語言模型(如GPT-4o)作為推薦系統的有效性,幫助醫生理解和應用AI。GPT-4o根據提供的數據特徵,成功推薦了適合的演算法,如U-Net和EfficientNet,顯示出其作為醫生資源的潛力,並有助於縮小AI實施的知識差距。未來應探討如何將這些模型整合進日常工作流程。 PubMed DOI

這項研究探討了使用 ChatGPT 3.5 進行放射腫瘤學文獻回顧的效果。研究針對七個腫瘤部位進行搜尋,生成了350篇文獻,但只有44篇是正確的,298篇是虛構的,8篇則無關。正確文獻的平均出版年份為2009年,影響因子為113.8,顯示出與虛構文獻的顯著差異。研究強調了AI在此領域的潛力與限制,並指出需對AI生成的結果進行驗證,並制定質量保證協議,以確保其臨床應用的可靠性。 PubMed DOI

這項研究評估了意大利年輕放射腫瘤科醫師對ChatGPT的認知與使用情況,並探討其對科學研究和臨床實踐的影響。調查於2024年3月進行,共76位年輕醫師參與,73位對ChatGPT有了解,71.1%曾使用過。結果顯示,40.8%認為AI能改變醫療,79.1%認為AI在文獻回顧和撰寫上特別有效,43.4%在日常實踐中使用ChatGPT,69.7%支持將其整合進臨床實踐,雖然53.9%對潛在負面影響有擔憂。整體來看,年輕ROs視ChatGPT為提升工作流程的有前景工具。 PubMed DOI

這項研究評估大型語言模型(LLMs)在根據病患醫療紀錄生成早期乳腺癌治療選項的準確性。使用2024年初的多學科團隊會議紀錄,測試了三個AI模型:Claude3-Opus、GPT4-Turbo和LLaMa3-70B。結果顯示,Claude3-Opus準確率86.6%,GPT4-Turbo為85.7%,LLaMa3-70B則為75.0%。兩者在輔助內分泌和靶向治療上表現良好,但在輔助放射治療上則有高估的情況。研究建議需進一步探討這些模型在臨床上的實際應用。 PubMed DOI