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

大型語言模型（LLMs）正在改變放射學和醫學領域，越來越多的文章正在利用它們。放射科醫師需要了解LLM的概念、技術基礎、風險和倫理，以安全地應用這項技術。本篇評論涵蓋了放射學中的LLMs，包括它們的歷史、技術方面、應用、優點、缺點、風險、倫理和未來前景。 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

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

人工智慧（AI）在醫療，特別是放射學的發展，正帶來重大變革，提升診斷準確性和病人參與度。大型語言模型（LLMs），如GPT-4，能協助撰寫和總結放射報告，支持鑑別診斷，並建議基於證據的治療方案。本文探討了GPT-4在提升診斷精確度和報告效率的應用，同時也提到實施AI技術所面臨的倫理和隱私挑戰，強調需謹慎監督和遵循法規。最終，這些技術有望改善病人照護和臨床研究。 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

大型語言模型（LLMs）正在改變自然語言處理（NLP）領域，為放射科醫師提供提升工作的機會。NLP是人工智慧的一個分支，透過演算法分析文本數據。近期的進展，如注意力機制和變壓器架構，讓像GPT-4和Gemini這樣的模型能生成類似人類的文本，並分析大量資料。 不過，LLMs也有其限制，例如依賴訓練數據的質量，可能會產生不準確的輸出。儘管如此，LLMs在放射學的應用逐漸受到重視，幫助醫師提取有價值的見解，改善工作流程，最終提升病患護理品質。 PubMed DOI

放射學中的結構化報告在可比性、可讀性和細節上有明顯優勢，但其採用仍然有限。本研究探討了一種本地托管的語言模型，能將自由文本的放射報告轉換為結構化數據，且不影響放射科醫師的工作流程。研究結果顯示，該模型生成的結構化報告在英語和德語的準確性接近人類讀者，顯示出良好的性能。結論指出，為了提高結構化報告的採用，需加強自動化系統與臨床流程的整合，讓醫師能在報告過程中受益於結構化數據。 PubMed DOI

大型語言模型（LLMs）已經在科技界帶來重大變革，應用範圍超越自然語言處理，甚至進入放射學等專業領域。這些模型透過大規模數據預訓練，能執行多種任務，且通常不需再微調。隨著技術進步，LLMs 也在解決幻覺、偏見、高訓練成本等挑戰，並開始整合多模態輸入。對於小型本地開源 LLMs 的需求上升，因為它們能針對醫學知識進行微調，提升效率與隱私保護。本文將探討 LLMs 在放射學的現狀與未來發展。 PubMed DOI

近年來，生成式人工智慧（AI）特別是大型語言模型（LLMs）和多模態模型（MM-LLMs）受到廣泛關注。LLMs如ChatGPT和LLaMA，能理解和生成語言，而MM-LLMs則結合文本和圖像，模擬人類認知。這些技術在醫療領域有潛力改善病人護理，透過分析數據和提供診斷建議等方式。放射科醫生需了解LLMs的基本概念，以掌握其在影像領域的應用與挑戰。 PubMed DOI