原始文章

這項研究針對缺乏公開數據集的問題，探討如何根據乳腺影像報告及BI-RADS類別進行分類。研究團隊建立了一個包含5046份西班牙語放射學報告的數據集，經過認證的放射科醫生標註後翻譯成英文。經過預處理後，使用多種機器學習和深度學習分類器進行分析。結果顯示，BioGPT分類器的表現最佳，平均靈敏度達0.60，優於BERT的0.54。這項研究為未來BI-RADS分類的研究提供了基準數據集和基線結果，促進該領域的發展。 PubMed DOI ♡

站上相關主題文章列表

這項研究評估了人類閱讀者與大型語言模型（LLMs）在三種語言的乳房影像報告中分配乳房影像報告和數據系統（BI-RADS）分類方面的一致性。LLMs與人類閱讀者顯示出中等程度的一致性，但存在高比例的不一致BI-RADS分類，可能對臨床管理產生負面影響。 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

這項研究評估了多種大型語言模型（LLMs）在冠狀動脈疾病（CAD）診斷中的表現，特別是根據CAD-RADS 2.0指引進行比較。結果顯示，ChatGPT 4o的準確率最高，達到100%，接著是ChatGPT 4和Claude 3 Opus，準確率為96.6%。其他模型的準確率也不錯，介於90%到93.3%之間。這些結果顯示LLMs在改善CAD的放射報告和病人照護方面的潛力，並強調進一步研究其視覺診斷能力的重要性。 PubMed DOI

這項研究評估大型語言模型（LLMs）在解釋乳腺影像報告及提供臨床建議的表現，分為兩個步驟： 1. **文本評估**：比較十個LLMs與放射科醫師在100道BI-RADS選擇題上的準確率。Claude 3.5 Sonnet表現最佳（90%），超過一般放射科醫師（78%）和乳腺放射科醫師（82%）。 2. **視覺評估**：測試五個多模態LLMs在100張乳腺超音波影像上的表現，Claude 3.5 Sonnet以59%準確率領先。 研究顯示，雖然LLMs在文本評估中表現良好，但視覺診斷能力有限，需在放射科醫師監督下使用，以避免誤診。 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

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

深度學習在放射學的應用有助於改善診斷，但臨床接受度仍有挑戰。本研究開發了一個基於Llama 3-8B的語言模型，旨在自動生成MRI和CT報告的結論，以協助放射科醫生並提升效率。使用了15,000份來自克拉約瓦醫藥與藥學大學的報告數據進行訓練，並在NVIDIA RTX 3090 GPU上進行微調。結果顯示，模型在生成結論的準確性上表現良好，並獲得放射科醫生的正面評價。未來需解決數據偏見及臨床整合等問題。 PubMed DOI

這項研究評估了ChatGPT-4和ChatGPT-4o在乳腺癌影像報告及BI-RADS分數生成的有效性。研究使用了77張來自radiopaedia.org的影像，包含乳房X光和超音波，並在不同會議中進行評估以避免偏見。結果顯示，兩個模型在BI-RADS評分的準確率為66.2%，在BI-RADS 5案例中表現最佳（ChatGPT-4為84.4%，ChatGPT-4o為88.9%）。不過，它們在BI-RADS 1-3案例中常常給予過高的嚴重性評分，顯示目前大型語言模型在乳腺影像評估上的局限性，需進一步研究才能整合進臨床實踐。 PubMed DOI

這項研究開發了一個大型語言模型（LLM），用於根據MRI報告自動分類肝臟觀察，依據LI-RADS v2018指導方針。研究分析了291個肝臟觀察，並將其分為訓練、驗證和測試集。結果顯示，模型在LI-RADS分類上有中等一致性（κ = 0.54），對於惡性腫瘤的識別也有不錯的表現。使用LLM後，放射科醫師的工作量減少了45%，顯示出該模型在臨床應用中的潛力，能有效提升數據整理效率。 PubMed DOI

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