原始文章

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


站上相關主題文章列表

自2022年以來,人工智慧的進步特別在大型語言模型(LLMs)和變壓器神經網絡方面大幅加速。這對腫瘤學和癌症研究產生深遠影響,因為AI模型現在展現出處理文本和圖像的能力已達人類水準。這些技術整合後可建立多模式AI模型,能同時處理各種數據類型,遠離過去專門化模型的十年。這些進步有望不久將來改革精準腫瘤學。 PubMed DOI

放射治療是癌症治療的重要方法,但目前的目標區域劃定仍依賴專家手動進行,容易耗時且不一致。雖然人工智慧在正常組織的自動輪廓描繪上已有進展,但準確劃定治療目標仍具挑戰。本研究介紹了Radformer,一個結合視覺變壓器和大型語言模型的自動劃定網絡,能有效整合視覺與文本數據。經過對2,985名頭頸癌患者的評估,Radformer在分割指標上表現優於現有模型,顯示其在放射治療中的潛力。 PubMed DOI

人工智慧在自動劃分正常組織上已有進展,但在放射治療目標體積的準確勾勒上仍有挑戰。為此,我們提出將目標體積劃分視為臨床決策問題,並開發了名為 Medformer 的視覺-語言模型,結合多模態學習。經過測試,Medformer 在前列腺癌和口咽癌數據集上均顯示出顯著的性能提升,特別是在腫瘤體積劃分上,DSC 和 IOU 指標均有明顯改善,顯示出其在臨床應用中的潛力。 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

這篇評論探討大型語言模型(LLMs)和多模態大型語言模型(MLLMs)在放射學的進展,強調它們在報告生成、影像解讀、電子健康紀錄摘要等方面的潛力。透過自動化,這些模型能減輕放射科醫師的負擔,提高診斷準確性,並促進跨學科合作,最終提升病人護理品質。不過,評論也指出MLLMs在解讀三維醫學影像及整合影像與文本數據上仍面臨挑戰,並呼籲對評估方法的改進。 PubMed DOI

大型語言模型(LLMs)對醫療保健,特別是醫學影像領域,將帶來重大影響。隨著它們發展成能處理文本與影像的多模態模型(LMMs),醫生了解這些技術的基本概念變得相當重要,以便能有效且負責任地使用。文章介紹了標記嵌入、變壓器網絡、自我監督預訓練和微調等基本原則,並深入探討LMMs的技術創建過程及其在醫學影像中的應用。 PubMed DOI

放射治療雖然有效,但手動劃定目標常常耗時且不穩定。這項研究介紹了Radformer,一種新型視覺語言模型,結合臨床文本和醫學影像,提升自動化的目標劃定。Radformer使用分層視覺變壓器和大型語言模型,並透過視覺語言注意模組整合信息。在2,985名頭頸癌患者的數據中,Radformer在目標劃定上表現優於現有模型,顯示出顯著的準確性進步,為AI輔助的放射治療計劃自動化鋪平道路。 PubMed DOI

這項研究探討六種多模態大型語言模型(MLLMs)在解讀喉癌手術影像的有效性。研究分析了50位病人的169張影像,提出1084個臨床問題來評估模型表現,並由兩位醫師獨立評估。結果顯示,Claude 3.5 Sonnet的準確率最高,達79.43%。不同影像類型及商業模型與開源模型之間的表現差異明顯,最佳商業模型的表現比其他模型高出19個百分點。研究指出,雖然MLLMs在手術決策支持上有潛力,但仍需針對特定需求進行開發,並整合進臨床流程。未來應著重於利用多中心數據集來創建專門針對喉癌的MLLMs。 PubMed DOI

這項研究探討大型語言模型(LLMs),特別是LLaMA模型在放射腫瘤學中生成醫師信件的應用,重點在隱私與效率。研究發現,未經微調的LLaMA模型效果不佳,但QLoRA演算法能在有限資源下進行有效微調,使模型學習相關資訊並生成符合機構風格的信件。結果顯示,8B LLaMA-3模型在生成摘要報告上表現優於13B LLaMA-2模型。醫師評估認為,微調後的模型能有效生成信件的基本內容,並在適當審查下具實際臨床價值。 PubMed DOI

這項研究探討大型語言模型(LLMs)在自動生成腫瘤影像檢查申請的臨床歷史的應用,資料來自207名接受CT掃描的癌症患者。研究顯示,GPT-4在提取關鍵腫瘤學參數方面表現優異,F1分數達0.983。LLM生成的歷史中,主要診斷、急性症狀及相關手術的出現頻率均高於原始歷史,且差異具統計意義。放射科醫生更偏好LLM生成的歷史,認為其提供更完整的解讀,降低傷害風險。總之,LLM能準確創建全面的腫瘤影像臨床歷史,受到醫生青睞。 PubMed DOI