阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

這項研究建立了一個命名實體（NE）框架，從癌症基因組圖譜-甲狀腺癌（TCGA-THCA）數據庫的臨床筆記中提取資訊，專注於良性分化甲狀腺癌患者的AJCC分期和ATA風險類別。框架包含標註指導方針、數據標記、提示策略及評估代碼。我們測試了四個大型語言模型，並將其輸出與專家數據比較。基於50份病理筆記建立的框架，經289份筆記和35個偽臨床案例驗證，成功提高了分期和風險分類的效率與準確性。 PubMed DOI

這項研究探討人工智慧在醫療上的應用，特別是命名實體識別（NER）和大型語言模型（LLMs），評估紐約大學和辛辛那提大學的電子健康紀錄中的臨床推理文件。分析了700份NYU和450份UC的住院醫師紀錄，並開發了多種AI模型。NYUTron LLM在NYU表現最佳，而GatorTron LLM在UC也有不錯的成績。研究顯示AI工具能顯著提升臨床推理的質量，並強調這些模型在不同醫療機構的應用潛力。 PubMed DOI

這篇回顧探討大型語言模型（LLMs）在腫瘤學中自動提取非結構化臨床文本的應用，強調其在提升癌症研究和病人照護的潛力。回顧分析了自2000年以來的24項研究，發現大多數使用BERT變體，少數使用Chat-GPT。研究顯示，LLMs能有效提取數據，減少醫療人員的手動工作量，並建議可減輕行政負擔，讓醫護人員更專注於病人照護。未來需進一步研究其在臨床實踐中的整合及表現。 PubMed DOI

這篇綜述介紹大型語言模型在腫瘤醫學的應用，包括癌症篩檢、診斷、分期和治療建議等，展現其提升精準醫療的潛力。文章也點出幻覺、倫理和應用侷限等挑戰，並提出改進建議，期望推動LLMs在癌症照護上的發展。 PubMed DOI

這項研究比較了PubTator 3.0、BioBERT和大型語言模型在生醫文獻資訊擷取上的表現。PubTator 3.0和BioBERT在找基因、藥物等實體最準，而BioBERT在判斷實體間關聯性最強。整體來說，AI輔助的NLP技術有助於整合生醫知識，推動精準癌症治療發展。 PubMed

這篇研究比較專有和開源大型語言模型在臨床文本中做 token-level 罕見疾病命名實體識別的表現。研究發現，雖然用了多種技術，LLMs 在這類任務上還是有不少困難，並針對醫療應用提出改進建議。 PubMed

一個全新AI風險評分系統AIRIS，結合大型語言模型和RAG技術，能更精確預測皮膚鱗狀細胞癌患者的不良預後。和現有標準（BWH、AJCC8）相比，AIRIS在預測復發、轉移和死亡上表現更好，風險分組也更一致，顯示AI有助提升癌症預後工具。 PubMed DOI

我們開發了一套用大型語言模型（LLMs）自動分類腫瘤臨床試驗和文獻的系統，在多個資料集和任務上都表現優異，準確率超過94%、F1-score超過92%，回應有效性最高達99.88%。雖然還有提示敏感度和運算資源的挑戰，但未來LLMs有望成為醫學文獻分類的重要工具。 PubMed DOI

大型語言模型在腫瘤醫學有潛力協助臨床決策、資料整理及病患溝通，對醫師和病患都有幫助。不過，也有幻覺、泛化和倫理等問題需注意。LLMs應當作為輔助工具，幫助醫師提升癌症照護品質，而非取代醫師角色。 PubMed DOI