Preliminary assessment of TNM classification performance for pancreatic cancer in Japanese radiology reports using GPT-4.
使用 GPT-4 對日本放射學報告中胰臟癌的 TNM 分類表現進行初步評估。 Jpn J Radiol 2024-08-20

這項研究探討了GPT-4在識別日本放射學報告中胰臟癌的TNM分級的效果。研究分析了2020年4月至2022年6月的100份CT掃描報告，結果顯示GPT-4在T分類的準確率為73%，N分類91%，M分類93%。與兩位經驗豐富的放射科醫生的協議程度分別為T的0.45、N的0.79和M的0.83。雖然GPT-4對TNM分級有一定了解，但在這個特定情境下的表現仍被認為不足。 PubMed DOI

The Fine-Tuned Large Language Model for Extracting the Progressive Bone Metastasis from Unstructured Radiology Reports.
從非結構化放射學報告中提取進展性骨轉移的微調大型語言模型。 J Imaging Inform Med 2024-08-26

這項研究評估了一個經過微調的大型語言模型（LLM）在識別骨轉移患者的有效性，並與放射科醫師的手動標註進行比較。研究分析了15,456名患者的報告，LLM在711份報告中準確率達97.9%，敏感度分別為98.8%、94.7%和94.3%。雖然放射科醫師的準確率和敏感度稍高，但LLM的分類時間僅需105秒，遠低於醫師的2312秒和3094秒。總體來看，這個LLM在檢測骨轉移方面表現出色，且速度更快。 PubMed DOI

Lung Cancer Staging Using Chest CT and FDG PET/CT Free-Text Reports: Comparison Among Three ChatGPT Large-Language Models and Six Human Readers of Varying Experience.
使用胸部 CT 和 FDG PET/CT 自由文本報告進行肺癌分期：三種 ChatGPT 大型語言模型與六位不同經驗的人工讀者之間的比較。 AJR Am J Roentgenol 2024-09-04

這項研究比較了ChatGPT大型語言模型（LLMs）與不同經驗的人類讀者在肺癌分期的表現。研究納入700名非小細胞肺癌患者，使用胸部CT和FDG PET/CT報告進行分析。結果顯示，GPT-4o的準確率為74.1%，優於其他模型和一位住院醫師，但仍低於專科訓練的放射科醫生。這表明，雖然LLMs在某些方面表現不錯，但在癌症分期等複雜任務中，專業醫療人員的角色仍然不可或缺。 PubMed DOI

Extracting lung cancer staging descriptors from pathology reports: A generative language model approach.
從病理報告中提取肺癌分期描述詞：一種生成語言模型的方法。 J Biomed Inform 2024-09-05

這項研究探討如何利用自然語言處理（NLP）和生成語言模型（GLMs）從肺癌患者的病理報告中提取關鍵資訊。研究目的是評估這些模型在提取病理階段數據的有效性，並考慮在資源有限的情況下使用較小型GLMs的可行性。研究團隊從首爾國立大學醫院收集報告，確定42個關鍵詞進行腫瘤-淋巴結（TN）分類，並與臨床專家建立黃金標準。經過訓練，Deductive Mistral-7B模型在資訊提取上表現最佳，準確率達92.24%，TN分類準確率為0.9876，顯示針對性訓練能提升模型性能，對臨床決策有潛在幫助。 PubMed DOI

Application of NotebookLM, a large language model with retrieval-augmented generation, for lung cancer staging.
NotebookLM 在肺癌分期中的應用：一種具有檢索增強生成的大型語言模型。 Jpn J Radiol 2024-11-25

這項研究評估了NotebookLM這款檢索增強生成大型語言模型（RAG-LLM）在肺癌分期中的有效性。透過整合日本肺癌分期指引的可靠外部知識，NotebookLM在100個虛構案例中達到86%的診斷準確率，表現優於金標準的GPT-4 Omni，後者在提供外部知識時準確率僅39%。NotebookLM在定位參考資料方面也表現出色，準確率高達95%。研究顯示，NotebookLM在臨床影像診斷中具備更高的可靠性與實用性，特別是在放射學領域。 PubMed DOI

Enhancing Oncological Surveillance Through Large Language Model-Assisted Analysis: A Comparative Study of GPT-4 and Gemini in Evaluating Oncological Issues From Serial Abdominal CT Scan Reports.
透過大型語言模型輔助分析增強腫瘤監測：GPT-4 與 Gemini 在評估連續腹部 CT 掃描報告中的腫瘤問題的比較研究。 Acad Radiol 2024-12-10

這項研究比較了兩個大型語言模型（LLMs），GPT-4 和 Gemini，在分析放射學報告以識別腫瘤問題的表現。研究涵蓋205名患者，結果顯示GPT-4在準確率、精確度、召回率和F1分數上均優於Gemini，特別是在腫瘤狀態的判斷上也更準確。這顯示出大型語言模型，尤其是GPT-4，在腫瘤監測方面的潛力。 PubMed DOI

Assessing Large Language Models for Oncology Data Inference From Radiology Reports.
評估大型語言模型在放射學報告中對腫瘤學數據推斷的能力。 JCO Clin Cancer Inform 2024-12-11

這項研究評估了專有與開放的大型語言模型（LLMs）在分析胰臟癌放射學報告的有效性，重點在於疾病的存在、位置及治療反應。研究分析了203份去識別化的報告，使用了GPT-4、GPT-3.5-turbo及開放模型如Gemma-7B和Llama3-8B。結果顯示，GPT-4在確定疾病狀態上準確率最高，達75.5%。開放模型在某些方面表現不如專有模型，但仍具潛力，特別是在專有模型無法使用時。這項研究為未來腫瘤學領域的LLM研究提供了重要資源。 PubMed DOI

Large Language Model Ability to Translate CT and MRI Free-Text Radiology Reports Into Multiple Languages.
大型語言模型將 CT 和 MRI 自由文本放射學報告翻譯成多種語言的能力。 Radiology 2024-12-17

這項研究評估大型語言模型（LLMs）在翻譯放射科報告的效果。由於合格翻譯者不足，這對病人護理造成挑戰。研究團隊將100份合成報告翻譯成九種語言，並使用十個LLM進行自動翻譯，結果由18位放射科醫生評估。發現GPT-4的翻譯品質最佳，特別是在英德、英希、英泰和英土語言對上表現突出。雖然LLMs在清晰度和一致性上表現良好，但醫學術語的準確性仍需改進。總體來說，LLMs能有效翻譯放射科報告，但不同模型和語言的表現有所差異。 PubMed DOI

Enhancing Radiological Reporting in Head and Neck Cancer: Converting Free-Text CT Scan Reports to Structured Reports Using Large Language Models.
提升頭頸癌放射學報告：利用大型語言模型將自由文本 CT 掃描報告轉換為結構化報告。 Indian J Radiol Imaging 2024-12-19

本研究評估大型語言模型（LLMs）在將頭頸癌患者的CT報告轉換為結構化格式的有效性。分析150份報告，使用GPT-4轉換50份，經放射科醫生評估後發現有10處信息缺失。改進模板後，再轉換100份報告，結果顯示無新錯誤。研究結果顯示，LLMs能有效結構化放射學報告，可能提升其在臨床中的應用與接受度。 PubMed DOI

Automated Pathologic TN Classification Prediction and Rationale Generation From Lung Cancer Surgical Pathology Reports Using a Large Language Model Fine-Tuned With Chain-of-Thought: Algorithm Development and Validation Study.
基於大型語言模型的自動化病理 TN 分類預測及推理生成：肺癌手術病理報告的算法開發與驗證研究。 JMIR Med Inform 2024-12-20

這項研究探討微調大型語言模型（LLMs）在自動化肺癌病理TN分期分類的應用，旨在克服傳統自然語言處理方法的缺點。研究比較了六個開源LLM，使用3,216份去識別化的肺癌外科病理報告進行評估。結果顯示，Orca2_13b模型表現最佳，分類準確度達0.934，生成理由的語義匹配率為0.864。這項研究顯示，生成式語言模型能顯著提升癌症分期的自動化，對臨床實踐和腫瘤數據管理有潛在好處。 PubMed DOI

原始文章

站上相關主題文章列表