大型語言模型（LLM）是強大的人工智慧工具，可促進類似人類的溝通並提供有價值的資訊。研究發現，ChatGPT在回答脊椎外科醫師有關急性腰椎間盤突出（LDH）問題時表現良好，清晰度高且特定。儘管未涵蓋所有知情同意書內容，但提供額外見解。然而，回答中有些許不準確。LLM如ChatGPT有助於患者教育，但需謹慎監控風險與機會。 PubMed DOI

研究使用先進機器學習模型，如CNN、LLM和GWAS，結合不同資料類型，如放射影像、臨床註記和基因組學，來預測成人脊柱畸形手術後的結果。LLM在預測某些併發症方面表現較佳，CNN表現不一。GWAS找出與手術風險相關的基因標誌。研究顯示先進模型和基因資料對預測手術結果有潛力，可協助手術決策。 PubMed DOI

研究比較了不同大型語言模型在放射學自動摘要生成的效果，重點在於準確的摘要對準確傳達放射學發現至關重要。研究使用T5和BART模型進行微調和零-shot學習，並與RNN進行比較。結果顯示，T5模型在Rouge-L分數達到0.638，且人類評判顯示T5生成的摘要與專業放射科醫師相似度高達70%。研究指出，自然語言處理和語言模型技術的進步有助於提升放射學摘要生成工具，對放射科醫師的工作有所助益。 PubMed DOI

生成式人工智慧如ChatGPT和Google Bard被應用在患者教育，例如腰椎間盤突出。研究發現，這些AI回答腰椎間盤突出的問題時，準確性和清晰度有差異，需要改進。未來應該專注於提升AI模型，以增進患者和醫師之間的溝通。 PubMed DOI

研究測試了精細調校的大型語言模型（LLM）在分類腦部磁振造影報告的效能。LLM表現高準確、敏感，且處理速度快，比人類放射科醫師更有效。結果顯示LLM在醫學影像分析上有潛力，與專業醫師相當。 PubMed DOI

這項研究探討大型語言模型（LLMs）在診斷下顎畸形的應用，目的是改善數據解釋，讓臨床醫師更容易使用。研究中將頭影測量數據轉換為文本，並分析多種LLM，如LLAMA-2和GPT模型，與傳統方法比較。結果顯示，較大的LLM在少量訓練下表現良好，減少分類模糊性，提升信息可及性和可解釋性。這些模型對經驗較少的醫師或資源有限的環境特別有幫助，未來隨著醫療數據集的改進，LLM的準確性和適用性將進一步提升。 PubMed DOI

頸椎病是常見的退化性脊椎疾病，患者常尋求醫療資訊來管理症狀。本研究評估大型語言模型（LLMs）對頸椎病患者常見問題的回答準確性。三位經驗豐富的脊椎外科醫生評估來自不同LLMs的回應，結果顯示所有模型表現滿意，尤其是GPT-4的準確性最高。分析中也顯示不同主題的表現差異，反映了目前人工智慧的限制及未來發展的潛力。 PubMed DOI

這項研究調查了四個大型語言模型（LLMs）—Bard、BingAI、ChatGPT-3.5 和 ChatGPT-4—在遵循2023年北美脊椎學會（NASS）頸椎融合指導方針的表現。結果顯示，這些模型的遵循率不高，ChatGPT-4和Bing Chat表現較佳，僅達60%。在特定情況下，所有模型都未能符合NASS建議，顯示出明顯差異。研究強調了對LLMs進行更好訓練的需求，並指出在臨床決策中考慮病人特徵的重要性，顯示出人工智慧在醫療中的潛力與挑戰。 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