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

LLM如ChatGPT在醫療領域應用廣泛，但需謹慎。研究發現在放射腫瘤學中使用LLM時，患者偏好醫師在場，擔心資訊來源。強調LLM需配合醫療指南，AI支持重要，但人文關懷仍不可或缺。 PubMed DOI

AGI技術如GPT-4和SAM已經在放射腫瘤學領域帶來革新，提升了治療效率和準確性。雖然AGI能提供個人化治療，但人類專業知識仍然不可或缺。本文探討如何有效運用臨床數據，讓AGI更好地增進患者護理品質。 PubMed DOI

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

這項研究結合大型語言模型（LLMs）與文獻質量評估，改善了肺癌患者接受質子治療後併發症的預測。透過系統性回顧和元分析，資料來自Web of Science、PubMed和Scopus，並使用EndNote X20管理。分析顯示，模型預測的整體效應量為0.78，異質性高。ChatGPT-4的準確率達90%，顯著優於其他模型，且評估速度快3229倍。研究結果顯示，結合LLMs與元分析能有效提升文獻評估效率，並在併發症預測上無顯著差異。 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