Extracting Thyroid Nodules Characteristics from Ultrasound Reports Using Transformer-based Natural Language Processing Methods.
使用基於Transformer的自然語言處理方法從超聲報告中提取甲狀腺結節特徵。 AMIA Annu Symp Proc 2024-02-10

這項研究專注於使用先進的自然語言處理（NLP）方法，從超音波報告中提取重要的甲狀腺結節特徵。GatorTron模型在大量文本數據上訓練後，表現優於其他基於變壓器的模型，能夠準確提取和關聯這些特徵。這項研究為改善甲狀腺超音波報告的分析，以及通過電子健康記錄研究患者結果鋪平了道路。 PubMed DOI

AI-Assisted Summarization of Radiologic Reports: Evaluating GPT3davinci, BARTcnn, LongT5booksum, LEDbooksum, LEDlegal, and LEDclinical.
AI輔助放射學報告摘要：評估GPT3davinci、BARTcnn、LongT5booksum、LEDbooksum、LEDlegal和LEDclinical。 AJNR Am J Neuroradiol 2024-03-22

機器學習在疾病監測方面有潛力。研究顯示，BARTcnn模型在臨床報告表現最佳，GPT3davinci在PubMed案例報告表現優異。雖未達臨床標準，但BARTcnn模型適合實際應用。持續改進NLP模型可提升臨床效率。 PubMed DOI

Transformer Models in Healthcare: A Survey and Thematic Analysis of Potentials, Shortcomings and Risks.
醫療領域中的Transformer模型：潛力、不足和風險的調查和主題分析。 J Med Syst 2024-02-20

LLMs（例如GPT和BERT）在醫療保健領域有應用潛力，但也帶來偏見、隱私擔憂和道德困境。研究指出，使用變壓器模型可提高效率，但也帶來挑戰，如偏見、可審計性和隱私風險。醫療專業人員需要具備專業知識，面對道德困境，並可能影響患者護理中的人際互動。必須進行全面培訓以因應系統操作和數據解釋的需求。 PubMed DOI

Evaluation of large language models performance against humans for summarizing MRI knee radiology reports: A feasibility study.
大型語言模型在摘要 MRI 膝部放射學報告方面與人類表現的評估：可行性研究。 Int J Med Inform 2024-04-14

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

Improving Automating Quality Control in Radiology: Leveraging Large Language Models to Extract Correlative Findings in Radiology and Operative Reports.
在放射學中改進自動化品質控制：利用大型語言模型提取放射學和手術報告中的相關發現。 AMIA Jt Summits Transl Sci Proc 2024-06-03

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

Role of Natural Language Processing in Automatic Detection of Unexpected Findings in Radiology Reports: A Comparative Study of RoBERTa, CNN, and ChatGPT.
自然語言處理在放射科報告中自動檢測意外發現的角色：RoBERTa、CNN 和 ChatGPT 的比較研究。 Acad Radiol 2024-08-09

這項研究針對微調RoBERTa模型，目的是自動檢測放射報告中的意外發現，以協助放射科醫師。使用的數據集包含44,631份報告進行訓練，5,293份進行初步測試，還有100份用於比較測試。結果顯示，微調後的RoBERTa模型在初步測試集上準確率達86.15%，比較測試集為79%，明顯優於ChatGPT的64%和CNN的49%。整體來看，微調的RoBERTa模型在檢測意外發現方面表現更佳。 PubMed DOI

The potential for large language models to transform cardiovascular medicine.
大型語言模型在心血管醫學轉型中的潛力。 Lancet Digit Health 2024-08-30

心血管疾病是全球主要的死亡原因，早期檢測仍然面臨挑戰。人工智慧（AI）在改善早期診斷方面展現潛力，特別是深度神經網絡能提高醫學影像的解讀準確性，發現心臟科醫生可能忽略的細節。隨著變壓器模型和大型語言模型的進步，AI能更好整合電子健康紀錄、影像和基因數據，幫助識別高風險患者並制定預防策略。儘管AI能提供即時診斷支持，但在臨床應用前仍需解決數據隱私和診斷錯誤等風險。本文探討AI在心血管醫學中的機會與挑戰。 PubMed DOI

A Large Language Model to Detect Negated Expressions in Radiology Reports.
一個大型語言模型用於檢測放射學報告中的否定表達。 J Imaging Inform Med 2024-09-25

這項研究比較了兩種自然語言處理系統的效能，分別是medspaCy和CAN-BERT，專注於識別放射學報告中的否定概念。研究分析了984份去識別化報告，並標註了2800個術語。結果顯示，medspaCy的召回率為0.795，但精確度較低（0.356），F1分數為0.492；而CAN-BERT的召回率為0.785，精確度高達0.768，F1分數為0.777。整體來看，CAN-BERT在檢測否定術語方面表現更佳，對臨床決策和研究數據提取有幫助。 PubMed DOI

Automated Transformation of Unstructured Cardiovascular Diagnostic Reports into Structured Datasets Using Sequentially Deployed Large Language Models.
使用順序部署的大型語言模型自動轉換非結構化心血管診斷報告為結構化數據集。 medRxiv 2024-10-17

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

The added value of including thyroid nodule features into large language models for automatic ACR TI-RADS classification based on ultrasound reports.
將甲狀腺結節特徵納入大型語言模型以自動化 ACR TI-RADS 分類的附加價值，基於超聲報告。 Jpn J Radiol 2024-11-25

這項研究探討如何利用自然語言處理（NLP）和變壓器模型，從甲狀腺結節的超音波報告中分類 ACR TI-RADS 類別。研究分析了16,847份報告，並開發自動化系統來分配 TI-RADS 類別，隨後由放射科醫師進行審查。結果顯示，納入特定結節特徵的模型表現更佳，BERTIN 模型達到最高準確率0.8426。此外，某些特徵如點狀回聲焦點，與較高的 TI-RADS 分數有關，顯示詳細描述對預測惡性風險的重要性。 PubMed DOI

原始文章

站上相關主題文章列表