Local large language models for privacy-preserving accelerated review of historic echocardiogram reports.
本地大型語言模型用於隱私保護加速審查歷史心臟超聲報告。 J Am Med Inform Assoc 2024-04-30

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: a data-driven approach for improved classification.
使用保護隱私的大型語言模型和多類型標註增強胸部X光資料集：改進分類的數據驅動方法。 ArXiv 2024-05-07

新方法MAPLEZ利用大型語言模型從胸部X光報告中提取詳細的發現標籤，包含存在、位置、嚴重程度和不確定性等資訊。相較現有方法，MAPLEZ表現更佳，提升模型品質。研究人員提供代碼和標籤以供進一步研究。 PubMed DOI

Can large language models be new supportive tools in coronary computed tomography angiography reporting?
大型語言模型能否成為冠狀動脈電腦斷層血管造影報告的新支援工具？ Clin Imaging 2024-09-05

這項研究評估了多種大型語言模型（LLMs）在冠狀動脈疾病（CAD）診斷中的表現，特別是根據CAD-RADS 2.0指引進行比較。結果顯示，ChatGPT 4o的準確率最高，達到100%，接著是ChatGPT 4和Claude 3 Opus，準確率為96.6%。其他模型的準確率也不錯，介於90%到93.3%之間。這些結果顯示LLMs在改善CAD的放射報告和病人照護方面的潛力，並強調進一步研究其視覺診斷能力的重要性。 PubMed DOI

Evaluating text and visual diagnostic capabilities of large language models on questions related to the Breast Imaging Reporting and Data System Atlas 5<sup>th</sup> edition.
評估大型語言模型在與乳腺影像報告與數據系統 Atlas 第五版相關問題的文本和視覺診斷能力。 Diagn Interv Radiol 2024-09-09

這項研究評估大型語言模型（LLMs）在解釋乳腺影像報告及提供臨床建議的表現，分為兩個步驟： 1. **文本評估**：比較十個LLMs與放射科醫師在100道BI-RADS選擇題上的準確率。Claude 3.5 Sonnet表現最佳（90%），超過一般放射科醫師（78%）和乳腺放射科醫師（82%）。 2. **視覺評估**：測試五個多模態LLMs在100張乳腺超音波影像上的表現，Claude 3.5 Sonnet以59%準確率領先。研究顯示，雖然LLMs在文本評估中表現良好，但視覺診斷能力有限，需在放射科醫師監督下使用，以避免誤診。 PubMed DOI

Interactive computer-aided diagnosis on medical image using large language models.
使用大型語言模型的醫學影像互動電腦輔助診斷。 Commun Eng 2024-09-16

這項研究提出了一種新方法，結合大型語言模型（LLMs）與電腦輔助診斷（CAD）網絡，提升胸部X光片的醫學影像分析。雖然LLMs在自然語言處理上表現優異，但在醫學影像上通常不佳。這個框架利用LLMs的優勢，改善CAD系統的診斷準確性和報告生成，讓報告品質更高。使用ChatGPT後，診斷表現提升了16.42個百分點，GPT-3則在F1-score上提高了15.00個百分點。這種創新方法有潛力改變臨床決策過程，並改善病患互動。 PubMed DOI

An open-source fine-tuned large language model for radiological impression generation: a multi-reader performance study.
一個開源微調的大型語言模型用於放射學印象生成：多讀者表現研究。 BMC Med Imaging 2024-09-28

這項研究旨在提升一個開源的大型語言模型（LLM），自動生成來自不同醫院的放射學報告印象，涵蓋CT、超音波和MRI等影像檢查。研究人員使用UCSF醫療中心和Zuckerberg舊金山總醫院的大數據集，透過ROUGE分數評估模型表現。結果顯示，該LLM與專科醫師撰寫的印象有顯著重疊，雖然外部驗證時表現稍降。針對CT胸部檢查的讀者研究顯示，模型生成的印象在臨床和語法準確性上表現良好，顯示其在輔助放射科醫師工作中的潛力。 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

Multifocal region-assisted cross-modality learning for chest X-ray report generation.
多焦區域輔助的跨模態學習於胸部 X 光報告生成。 Comput Biol Med 2024-10-22

隨著心血管疾病、腫瘤等慢性病的增加，研究人員開始探索生成醫療報告的新方法。近期的研究聚焦於利用大型跨模態模型和自然語言生成技術，來縮短視覺數據（如X光影像）與文本之間的差距。為了解決這些挑戰，我們提出了多焦點區域輔助報告生成網絡（MRARGN），結合ResNet-50模型及注意力機制，提升跨模態信息的匹配，並生成詳細的醫學文本描述。實驗結果顯示，MRARGN在醫療報告生成上表現優於多種現有方法，證明其有效性。 PubMed DOI

Comparing Commercial and Open-Source Large Language Models for Labeling Chest Radiograph Reports.
比較商業與開源大型語言模型在胸部放射影像報告標註中的應用。 Radiology 2024-10-29

這項研究比較了OpenAI的GPT-4與幾個開源大型語言模型在從胸部X光報告中提取相關發現的表現。使用了來自ImaGenome和麻省總醫院的數據集。結果顯示，Llama 2-70B在ImaGenome數據集的微F1分數為0.97，而GPT-4為0.98。在機構數據集中，GPT-4的表現也優於其他模型。研究強調了少樣本提示能提升開源模型在醫療報告標註中的潛力。 PubMed DOI

Automated anonymization of radiology reports: comparison of publicly available natural language processing and large language models.
放射科報告的自動匿名化：公開可用的自然語言處理與大型語言模型的比較。 Eur Radiol 2024-10-31

這項研究分析了不同的自然語言處理（NLP）模型和大型語言模型（LLM）在放射科報告中匿名化個人健康資訊（PHI）的效果，並遵循HIPAA法規。研究發現，兩個NLP模型成功移除了所有日期、醫療紀錄號碼和檢查號碼，而LLM在日期的移除效果較差。針對準確性優化的NLP模型表現最佳，達到完美的F1分數。研究結論指出，預訓練的NLP模型在不影響臨床數據的情況下，更有效地進行匿名化，LLM則可能意外刪除重要資訊，強調了可靠的PHI匿名化對醫療應用的重要性。 PubMed DOI

原始文章

站上相關主題文章列表