Unlocking the Secrets Behind Advanced Artificial Intelligence Language Models in Deidentifying Chinese-English Mixed Clinical Text: Development and Validation Study.
揭開先進人工智慧語言模型在去識別中英混合臨床文本中的秘密：發展與驗證研究。 J Med Internet Res 2024-02-11

在使用電子病歷時，為了保護隱私，必須刪除受保護的健康資訊。研究發現，語言模型在識別代碼混合文本中的PHI方面有潛力，但需考慮規則性和未知詞彙的影響。建議在醫療環境中使用大型語言模型進行提示式學習，並重視數據安全性。未來研究可探討如何利用外部知識來提高PHI識別的準確性。 PubMed DOI

Performance of an Open-Source Large Language Model in Extracting Information from Free-Text Radiology Reports.
開源大型語言模型在從自由文本放射學報告中提取信息的表現。 Radiol Artif Intell 2024-05-08

這項研究評估了一個開源的大型語言模型（LLM）在從急診腦部MRI報告中提取信息的表現。對比了放射科醫師和LLM在識別頭痛、異常發現以及MRI結果與頭痛之間因果關係方面的能力。LLM在這些任務中表現出高靈敏度和特異度，顯示其具有潛力在不需額外訓練的情況下從放射學報告中準確提取信息。 PubMed DOI

Automated classification of brain MRI reports using fine-tuned large language models.
使用微調的大型語言模型自動分類腦部 MRI 報告。 Neuroradiology 2024-07-12

研究測試了精細調校的大型語言模型（LLM）在分類腦部磁振造影報告的效能。LLM表現高準確、敏感，且處理速度快，比人類放射科醫師更有效。結果顯示LLM在醫學影像分析上有潛力，與專業醫師相當。 PubMed DOI

Generating colloquial radiology reports with large language models.
利用大型語言模型生成口語化的放射學報告。 J Am Med Inform Assoc 2024-08-23

隨著患者能更直接獲取醫療紀錄，放射科報告中的醫學術語卻常讓人困惑。為了解決這個問題，我們提出利用大型語言模型（LLM）自動生成更易懂的報告翻譯。我們在100份去識別化的神經放射科報告上進行測試，並在不同閱讀水平上生成翻譯。結果顯示，翻譯的準確率和可讀性均優於傳統方法，特別是在第八年級閱讀水平上，準確率分別達到88%和93%。這種方法不僅增強了患者的理解，也不會顯著增加醫生的工作負擔。 PubMed DOI

A scoping review of large language model based approaches for information extraction from radiology reports.
基於大型語言模型的信息提取方法在放射科報告中的範疇回顧。 NPJ Digit Med 2024-08-24

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

LLM-AIx: An open source pipeline for Information Extraction from unstructured medical text based on privacy preserving Large Language Models.
LLM-AIx：一個基於隱私保護大型語言模型的開源醫學文本非結構化信息提取管道。 medRxiv 2024-09-16

這份協議介紹了LLM-AIx工作流程，利用大型語言模型（LLMs）從非結構化的臨床文本中提取結構化信息，解決手動審查的困難。流程包含四個步驟：問題定義與數據準備、數據預處理、基於LLM的信息提取及輸出評估。LLM-AIx可在本地醫院實施，確保病人數據安全，並已在虛構的肺栓塞臨床信件及癌症基因組計畫的病理報告中成功應用。系統設計友好，讓無程式設計背景的使用者也能輕鬆操作，提升臨床研究與決策效率。 PubMed DOI

Privacy-preserving large language models for structured medical information retrieval.
隱私保護的大型語言模型在結構化醫療信息檢索中的應用。 NPJ Digit Med 2024-09-20

這項研究介紹了一個開源流程，利用本地的大型語言模型（LLM）"Llama 2" 從臨床文本中提取定量數據，專注於識別失代償性肝硬化的特徵。研究在MIMIC IV數據集中測試500名患者的病歷，成功識別五個關鍵臨床特徵，敏感度達100%，特異度96%。此外，對其他病症的檢測也相當高，顯示出本地部署的LLM在提取臨床信息方面的有效性，且硬體需求低。 PubMed DOI

Large Language Models for Simplified Interventional Radiology Reports: A Comparative Analysis.
簡化介入放射學報告的大型語言模型：比較分析。 Acad Radiol 2024-10-01

這項研究評估了多種大型語言模型（LLMs）在簡化介入放射學（IR）報告的表現，重點在質性和量性指標。GPT-4和Claude-3-Opus在質性評估中表現最佳，錯誤率最低，特別是在內容和信任方面。量性評估顯示，GPT-4在可讀性指標上也優於其他模型。研究強調簡化IR報告對病人理解和臨床決策的重要性，並指出所有模型仍需改進以減少錯誤。 PubMed DOI

Automatic structuring of radiology reports with on-premise open-source large language models.
使用本地開源大型語言模型自動結構化放射科報告。 Eur Radiol 2024-10-10

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

Generating synthetic clinical text with local large language models to identify misdiagnosed limb fractures in radiology reports.
利用本地大型語言模型生成合成臨床文本，以識別放射學報告中誤診的肢體骨折。 Artif Intell Med 2024-11-24

這項研究探討使用開源的大型語言模型（LLMs）來生成合成的放射科報告，目的是減少訓練人工智慧模型時對真實數據的標註需求。研究顯示，本地托管的LLMs在增強訓練數據方面，表現可與商業模型如ChatGPT和GPT-4媲美，尤其在識別誤診骨折等任務上。使用合成報告訓練的最佳模型，達到基於真實數據模型90%以上的效果，顯示開源LLMs在醫療應用中生成合成臨床報告的潛力。 PubMed DOI

原始文章

站上相關主題文章列表