Fine-Tuned Large Language Model for Extracting Patients on Pretreatment for Lung Cancer from a Picture Archiving and Communication System Based on Radiological Reports.
基於放射學報告的圖像存檔和通訊系統，用於提取肺癌預處理患者的精細調校大型語言模型。 J Imaging Inform Med 2024-07-02

這項研究比較了一個經過微調的大型語言模型（LLM）與放射科醫師在從放射學報告中識別肺癌預防治療患者方面的表現。LLM在分類患者方面表現出高準確度和敏感度，與放射科醫師相似，但處理時間更快。研究結果表明，LLM能夠有效地及時從醫療記錄中提取相關信息。 PubMed DOI

Large Language Model-Augmented Auto-Delineation of Treatment Target Volume in Radiation Therapy.
大型語言模型增強的放射治療治療靶區自動 delineation。 ArXiv 2024-07-23

放射治療是癌症治療的重要方法，但目前的目標區域劃定仍依賴專家手動進行，容易耗時且不一致。雖然人工智慧在正常組織的自動輪廓描繪上已有進展，但準確劃定治療目標仍具挑戰。本研究介紹了Radformer，一個結合視覺變壓器和大型語言模型的自動劃定網絡，能有效整合視覺與文本數據。經過對2,985名頭頸癌患者的評估，Radformer在分割指標上表現優於現有模型，顯示其在放射治療中的潛力。 PubMed DOI

Auto-delineation of treatment target volume for radiation therapy using large language model-aided multimodal learning.
利用大型語言模型輔助的多模態學習自動勾畫放射治療的治療靶區體積。 Int J Radiat Oncol Biol Phys 2024-08-08

人工智慧在自動劃分正常組織上已有進展，但在放射治療目標體積的準確勾勒上仍有挑戰。為此，我們提出將目標體積劃分視為臨床決策問題，並開發了名為 Medformer 的視覺-語言模型，結合多模態學習。經過測試，Medformer 在前列腺癌和口咽癌數據集上均顯示出顯著的性能提升，特別是在腫瘤體積劃分上，DSC 和 IOU 指標均有明顯改善，顯示出其在臨床應用中的潛力。 PubMed DOI

LLM-driven multimodal target volume contouring in radiation oncology.
放射腫瘤學中基於 LLM 的多模態靶區輪廓描繪。 Nat Commun 2024-10-25

LLMSeg的發展在放射治療，特別是乳癌治療中，具有重要意義。它利用大型語言模型整合臨床文本與影像數據，成功解決靶區輪廓描繪的挑戰，超越了傳統的器官分割任務。在外部環境和數據稀缺的情況下，LLMSeg的驗證顯示其實用性，表現優於傳統的單模態人工智慧模型，展現出更強的泛化能力和數據效率，成為改善放射腫瘤學實務的有力工具。 PubMed DOI

Exploring Multilingual Large Language Models for Enhanced TNM Classification of Radiology Report in Lung Cancer Staging.
探索多語言大型語言模型以增強肺癌分期中放射學報告的 TNM 分類。 Cancers (Basel) 2024-11-09

這項研究探討了使用GPT-3.5-turbo模型來自動分類胸部CT報告中的肺癌TNM分期，重點在英語和日語報告。研究顯示，英語報告中使用完整TNM定義能達到最高準確性，並分析了T、N、M因素的具體準確性。提供定義顯著提升了每個因素的準確性，但日語報告在N和M分類的準確性較低。這些結果顯示多語言模型在放射學自動化TNM分類的潛力，且即使不額外訓練，提供定義也能改善表現。 PubMed DOI

Application of NotebookLM, a large language model with retrieval-augmented generation, for lung cancer staging.
NotebookLM 在肺癌分期中的應用：一種具有檢索增強生成的大型語言模型。 Jpn J Radiol 2024-11-25

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

Utility of a large language model for extraction of clinical findings from healthcare data following lung ablation: A feasibility study.
肺部消融後從醫療數據中提取臨床發現的大型語言模型的實用性：一項可行性研究。 J Vasc Interv Radiol 2024-12-11

這項研究評估大型語言模型（LLM）在提取與肺部微波腫瘤消融（MWA）相關的臨床資訊的效果。研究針對20名患者進行回顧性分析，檢視治療後最多12個月的放射學報告和診所筆記。使用LLM（GPT 3.5 Turbo 16k）識別四個關鍵臨床結果，結果經手動審查驗證。分析104份放射學報告和37份診所筆記，顯示LLM在識別這些結果上準確率高達85%到100%。研究顯示LLM能有效提取醫療數據中的臨床資訊，未來可能對介入放射學研究有幫助。 PubMed DOI

<i>LungDiag</i>: Empowering artificial intelligence for respiratory diseases diagnosis based on electronic health records, a multicenter study.
<i>LungDiag</i>: 基於電子健康紀錄的呼吸疾病診斷之人工智慧賦能，多中心研究。 MedComm (2020) 2025-01-13

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

Using natural language processing to identify emergency department patients with incidental lung nodules requiring follow-up.
利用自然語言處理識別需要後續追蹤的急診部門意外肺結節患者。 Acad Emerg Med 2025-01-17

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

Large language model-augmented learning for auto-delineation of treatment targets in head-and-neck cancer radiotherapy.
大型語言模型增強學習於頭頸癌放射治療中自動勾畫治療目標的應用。 Radiother Oncol 2025-01-24

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

原始文章

站上相關主題文章列表