這項研究評估了NotebookLM這款檢索增強生成大型語言模型（RAG-LLM）在肺癌分期中的有效性。透過整合日本肺癌分期指引的可靠外部知識，NotebookLM在100個虛構案例中達到86%的診斷準確率，表現優於金標準的GPT-4 Omni，後者在提供外部知識時準確率僅39%。NotebookLM在定位參考資料方面也表現出色，準確率高達95%。研究顯示，NotebookLM在臨床影像診斷中具備更高的可靠性與實用性，特別是在放射學領域。 PubMed DOI

呼吸系統疾病是全球健康的重要議題，常因症狀重疊而誤診。為了解決這個問題，我們開發了**LungDiag**，一個基於人工智慧的診斷系統，透過自然語言處理從電子健康紀錄中提取關鍵臨床特徵，以更準確地分類疾病。研究使用了31,267份EHRs進行訓練，並用1,142份進行驗證。**LungDiag**的診斷能力相當出色，主要診斷的F1分數達0.711，超越人類專家及ChatGPT 4.0。未來仍需進一步研究以確認其臨床有效性。 PubMed DOI

這項研究旨在提升急診部病人胸部CT掃描中偶發性肺結節（ILNs）的檢測與追蹤，對早期肺癌診斷至關重要。研究團隊開發了一個三步驟的自然語言處理（NLP）流程，解決非結構化放射學報告的挑戰。分析了26,545份CT掃描，並建立了基於RoBERTa模型的NLP流程。評估結果顯示，該流程在結節檢測及後續建議上表現良好，準確率高達93.3%。這個開放存取的工具有助於減少錯誤，改善病人照護。 PubMed DOI

放射治療雖然有效，但手動劃定目標常常耗時且不穩定。這項研究介紹了Radformer，一種新型視覺語言模型，結合臨床文本和醫學影像，提升自動化的目標劃定。Radformer使用分層視覺變壓器和大型語言模型，並透過視覺語言注意模組整合信息。在2,985名頭頸癌患者的數據中，Radformer在目標劃定上表現優於現有模型，顯示出顯著的準確性進步，為AI輔助的放射治療計劃自動化鋪平道路。 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

這項研究建立了一個命名實體（NE）框架，從癌症基因組圖譜-甲狀腺癌（TCGA-THCA）數據庫的臨床筆記中提取資訊，專注於良性分化甲狀腺癌患者的AJCC分期和ATA風險類別。框架包含標註指導方針、數據標記、提示策略及評估代碼。我們測試了四個大型語言模型，並將其輸出與專家數據比較。基於50份病理筆記建立的框架，經289份筆記和35個偽臨床案例驗證，成功提高了分期和風險分類的效率與準確性。 PubMed DOI

本研究針對肝癌診斷提出一個結合大型與小型模型的輔助工具，旨在提升基層醫療醫生的診斷能力。透過開發更準確的肝腫瘤與血管分割模型，並整合患者醫療紀錄，這個框架能有效改善影像分析的準確性。結果顯示，小型模型在分割表現上有所提升，而大型模型則在醫生評估中獲得更高分數。此研究不僅優化了診斷過程，還增強了模型的可靠性與可解釋性，減少了錯誤推理的情況。 PubMed DOI

Radiomics 透過醫學影像萃取數據，能提升肺癌診斷、治療規劃和預後預測的準確度。結合深度學習後，對腫瘤偵測和分期表現更勝傳統方法。未來若搭配大型語言模型和可解釋 AI，臨床應用將更精準、個人化，有望徹底改變肺癌照護模式。 PubMed DOI

這篇研究發現，GPT-4o-mini和ERNIE-4.0-Turbo-8K在根據放射科報告給肺結節追蹤建議時，準確率都超過九成，表現和專業醫師差不多，錯誤建議也很少。雖然這些AI有潛力協助放射科決策，但實際應用前還是要嚴格驗證和監督，確保病人安全。 PubMed DOI