這篇文章總結了目前在放射治療中運用深度學習進行自動分割的研究，涵蓋了807篇論文，包括各種癌症部位和影像模式。分析出共同趨勢、方法和未來研究方向，提供了在競爭激烈的研究領域中進行高品質分割研究的見解和實用指南。ChatGPT語言模型支持了這項分析。 PubMed DOI

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

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

研究比較五種大型語言模型對乳腺癌治療建議的一致性，發現GPT4與腫瘤委員會最符合，其次是GPT3.5、Llama2和Bard。GPT4在放射治療方面表現一致，但在基因檢測建議上有差異。研究指出，大型語言模型應用於臨床前，仍需進一步技術和方法改進。 PubMed DOI

這項研究比較了一個經過微調的大型語言模型（LLM）與放射科醫師在從放射學報告中識別肺癌預防治療患者方面的表現。LLM在分類患者方面表現出高準確度和敏感度，與放射科醫師相似，但處理時間更快。研究結果表明，LLM能夠有效地及時從醫療記錄中提取相關信息。 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

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

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