結構化報告可以增進放射學工作流程，並促進醫師間的溝通。人工智慧在醫學領域的應用越來越普遍，大型語言模型（LLMs）被用於放射學的結構化報告。四個LLM模型被比較其知識和模板提議能力。LLMs在放射學中生成結構化報告方面顯示出潛力，但需要進一步的正式驗證。 PubMed DOI

研究比較了GPT-4和GPT-3.5在提取神經放射學報告中缺血性中風患者機械溶栓術數據的表現。結果發現，GPT-4比GPT-3.5更準確，處理所有報告且無需進一步處理即可正確提取94.0％的數據項目，而GPT-3.5僅有63.9％的準確率。總結來說，GPT-4在提取正確程序數據方面更有效。 PubMed DOI

這項研究評估了開源大型語言模型（LLMs）在從機械血栓切除報告中提取缺血性中風患者臨床數據的效果。研究使用了本地LLMs分析2020至2023年的患者報告，並引入外部數據集。測試了三個模型：Mixtral、Qwen和BioMistral，Mixtral在內部數據集上表現最佳，精確度達0.99。HITL方法使每個案例平均節省65.6%的時間，顯示LLMs在臨床數據自動提取中的潛力，並提升了精確度和可靠性。 PubMed DOI

這項研究探討大型語言模型（LLMs）在生成重症監護病房（ICU）病人出院摘要的表現，分析了匿名臨床筆記。三個模型中，GPT-4 API的表現最佳，準確識別41.5%的關鍵臨床事件，ChatGPT和Llama 2則分別為19.2%和16.5%。雖然GPT-4在資訊組織和清晰度上表現優異，但仍有小錯誤，且所有模型在敘事連貫性和重要數據的捕捉上存在挑戰。總體來看，這些LLM在生成出院摘要上有潛力，但仍需改進。 PubMed DOI

這項初步研究探討了大型語言模型（LLM），特別是LLaMA3，如何從三級醫院的出院摘要中提取中風審核數據。研究分析了一個月內的中風住院病人出院摘要，成功提取144個數據點，LLM的準確率高達93.8%（135個正確）。結果顯示，LLM能有效提升中風審核數據的收集效率，並建議進一步研究以優化LLM與醫療專業人員的合作。 PubMed DOI

這項研究評估了多種大型語言模型（LLMs）在簡化介入放射學（IR）報告的表現，重點在質性和量性指標。GPT-4和Claude-3-Opus在質性評估中表現最佳，錯誤率最低，特別是在內容和信任方面。量性評估顯示，GPT-4在可讀性指標上也優於其他模型。研究強調簡化IR報告對病人理解和臨床決策的重要性，並指出所有模型仍需改進以減少錯誤。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在院前篩檢急性缺血性中風（AIS）和大血管阻塞（LVO）的效果。研究在茂名市人民醫院進行，分析了400份急診病歷。結果顯示，GPT-4在AIS和LVO的篩檢準確率上均優於GPT-3.5，特別是在神經推理和事實正確性方面表現更佳。整體來看，GPT-4有潛力成為急救醫療服務中有效的決策支持工具，可能改善及時介入的效果。 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

大型語言模型（LLMs）是透過大量文本訓練的先進神經網絡，能理解和生成類似人類的語言。ChatGPT是OpenAI開發的知名範例，具備語言翻譯、問題回答和文本補全等功能。它能生成醫療報告、手術記錄和詩歌等多種文本，並在神經外科中協助撰寫手術報告，促進醫療團隊溝通，還可作為醫學生的學習資源。不過，這類模型在醫療應用上也面臨一些挑戰。 PubMed DOI

大型語言模型（LLMs）在神經外科領域逐漸受到重視，顯示出提升各種任務的潛力。然而，針對其在不同應用中的表現進行系統性檢視的研究仍然不足。本研究識別了關鍵的LLMs，並建立可重複性的報告指導方針，強調其在神經外科的進展。 我們在PubMed和Google Scholar搜尋相關文獻，找到51篇符合標準的文章，主要應用於臨床文本生成、標準化考試問題回答及支持臨床決策。主要使用的LLMs包括GPT-3.5、GPT-4、Bard和Bing。研究顯示，雖然LLMs在複雜任務中表現優異，但大多數研究仍集中於基本應用，未充分解決性能提升或可重複性問題。推進此領域需標準化報告實踐及採用更複雜的驗證方法。 PubMed DOI