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

本研究旨在開發一個標準化流程，利用大型語言模型（LLM）從腰椎MRI報告中提取數據，並評估其與專業評分的一致性。研究分析了230名慢性下背痛患者的數據，結果顯示模型在數據提取上表現優異，平均F1分數達0.96，但與專業評分的一致性僅為中等（kappa 0.424）。特別是在側凹狹窄的報告中，低報現象明顯，顯示出需要更客觀的數據提取方法。 PubMed DOI

這項研究用私有大型語言模型在本地處理814份放射科報告，成功把內容重組、精簡，並依器官系統分類。Mixtral LLM表現最好，能減少超過53%冗詞，提升報告清晰度和結構。結果證明開源LLM不僅保障資料安全，也能有效簡化報告流程，幫助醫師更快掌握重點，優化臨床工作。 PubMed DOI