原始文章

這項研究評估了一個安全的機構大型語言模型(LLM)在增強MRI脊椎檢查申請表及自動協議方面的效果。研究分析了218名患者的250份申請表,結果顯示LLM增強的申請表在臨床資訊充分性上達93.6-96.0%,遠高於臨床醫師的46.8-58.8%。LLM在78.4%的案例中提供正確的MRI協議建議,雖然低於放射科醫師的準確率,但在識別脊椎器械方面表現優異,準確率達95.1%。總體而言,LLM顯著提升了MRI申請表的質量,顯示出優化放射科醫師工作流程的潛力。 PubMed DOI


站上相關主題文章列表

放射學影像在醫學診斷中非常重要,對治療方向有關鍵影響。準確的放射學報告至關重要,常需與手術結果對照。手動比對費時費力,因此研究使用大型語言模型(LLM)自動提取報告關鍵細節,專注於肩部結構。LLM能識別放射學和手術報告中的特定結構,有助簡化評估過程。 PubMed DOI

這項研究致力於開發一種整合大型語言模型(LLM;GPT4-Turbo)的自然語言處理(NLP)演算法,目的是自動從電子健康紀錄(EHRs)中提取脊椎手術數據。傳統的手動審查方法繁瑣且易出錯,因此自動化非常重要。演算法採用兩階段流程,先用基於規則的NLP框架識別文本,再由LLM進行驗證。結果顯示,這種方法在準確性、時間效率和成本上均優於傳統方式,顯示出在臨床應用的潛力。 PubMed DOI

這項研究評估了八種公開的大型語言模型(LLMs)在24個神經放射學臨床情境中提供影像建議的表現。評估模型包括GPT-4、ChatGPT、Bard、Bing Chat、Llama 2等。結果顯示,GPT-4表現最佳,提供23個最佳建議,其次是ChatGPT有20個,而Llama 2僅有5個最佳建議。這項研究強調了大型語言模型在臨床影像利用上的潛力,並探討了評估其表現的挑戰,具有重要意義。 PubMed DOI

這項研究評估了大型語言模型(LLMs),如ChatGPT和Claude,在脊椎病理的外科決策及放射影像解讀的有效性,並與經驗豐富的脊椎外科醫生進行比較。結果顯示,雖然LLMs能詳細描述MRI影像,但在準確識別病變及外科決策上表現不佳,準確率僅20%,遠低於外科醫生的100%。研究建議LLMs在輔助影像解讀和決策上有潛力,但需進一步發展以克服現有限制,並強調AI研究人員與臨床專家的合作重要性。 PubMed DOI

本研究探討大型語言模型(LLMs)在從放射科報告中提取額外影像檢查建議(RAIs)的有效性。研究回顧了250份報告,確認231份包含RAIs,並使用自然語言處理算法進行分析。結果顯示,GPT-4在提取RAI檢查方式、身體部位和時間框架方面的準確率均優於GPT-3.5,顯示出LLMs在確保影像檢查建議及時完成的潛力,可能有助於減少診斷延遲。 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

這項研究探討經過微調的大型語言模型(LLM)在放射科CT檢查協議分配中的應用。研究分析了4,268例對比增強的胸部和腹部CT,並根據臨床指徵等訓練LLM。經過15個時期的微調後,模型準確率達到0.923和0.963,靈敏度為0.907。 評估結果顯示,LLM提升了住院醫師和放射科醫生的準確性,住院醫師的準確率從0.913提升至0.936,且閱讀時間分別縮短14%和12%。總體而言,LLM能有效提升CT協議的效率與診斷準確性。 PubMed DOI

這項研究旨在開發機器學習和深度學習模型,自動化根據臨床轉診文本制定緊急腦部MRI掃描的協議。研究分析了2016至2019年間的1,953份轉診,並由神經放射科醫師提供參考標準。使用了三種機器學習演算法和兩個深度學習模型,結果顯示GPT-3.5模型在協議預測上達84%準確率,對比劑需求判斷達91%。研究證明這些模型能有效自動化MRI掃描協議的制定,結果已發表。 PubMed DOI

這項研究評估人工智慧(AI)是否能幫助病人理解脊椎MRI報告,因為這些報告常用複雜的醫學術語。研究在2024年進行,參與者為102名即將接受脊椎MRI的成人病人。結果顯示,病人對AI解讀的理解度、清晰度及醫療參與度均顯著高於原始報告,且AI解讀的準確性也相當不錯。雖然AI解讀提升了病人的理解與滿意度,但仍有部分解讀不準確,顯示未來仍需持續研究。 PubMed DOI

大型語言模型(LLMs)如ChatGPT、Llama和Claude,正在改變醫療保健,特別是在放射科。最近,弗賴堡和巴塞爾大學醫院的研究顯示,這些系統能有效整合影像存檔與傳輸系統(PACS)和電子健康紀錄(EHR),提升醫師效率,縮短報告時間,並自動化例行任務。研究結果顯示,LLMs不僅提高了診斷質量,還促進了跨學科合作。未來應著重增強透明度和擴大應用範圍,確保遵守倫理和法律標準。 PubMed DOI