Extraction of clinical data on major pulmonary diseases from unstructured radiologic reports using a large language model.
使用大型語言模型從非結構化放射學報告中提取主要肺部疾病的臨床數據。 PLoS One 2024-11-25

這項研究探討大型語言模型（LLMs）在從非結構化放射報告中提取臨床數據的效果，專注於七種肺部疾病。研究分析了1,800份報告，並使用Google Gemini Pro 1.0、OpenAI的GPT-3.5和GPT-4進行數據提取。結果顯示，所有模型的準確率都很高，特別是GPT-4的表現最佳，敏感性和特異性均達到優秀水準。這些結果顯示，LLMs，尤其是GPT-4，可能成為醫生進行病歷審查的有效替代方案，提升非結構化放射數據的提取能力。 PubMed DOI

EXACT-Net: Framework for EHR-Guided Lung Tumor Auto-Segmentation for Non-Small Cell Lung Cancer Radiotherapy.
EXACT-Net：用於非小細胞肺癌放射治療的電子健康紀錄引導肺腫瘤自動分割的框架。 Cancers (Basel) 2024-12-17

肺癌，特別是非小細胞肺癌（NSCLC），對健康影響深遠，超過60%的患者需接受放射治療。及時治療能提高生存率，因此準確的腫瘤分割至關重要。傳統手動分割耗時且可能延誤治療。雖然已有深度學習模型，但假陽性率高。為解決此問題，我們開發了EXACT-Net，這是一個自動分割模型，結合電子健康紀錄（EHR）和預訓練的大型語言模型（LLM），有效減少假陽性，專注於真陽性結節。根據十名NSCLC患者的CT掃描數據，我們的方法成功檢測結節增長250%，顯示整合視覺與語言信息能顯著提升模型性能，為醫學影像的多模態AI應用開創新局。 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

Automated identification of incidental hepatic steatosis on Emergency Department imaging using large language models.
使用大型語言模型自動識別急診部影像中的偶發性肝脂肪變性。 Hepatol Commun 2025-02-19

肝脂肪變性（脂肪肝）是嚴重肝臟疾病的前兆，會增加健康風險。這項研究探討大型語言模型（LLMs）在急診影像報告中識別肝脂肪變性的潛力。研究分析了200名成人的CT掃描，使用三種Azure OpenAI模型（ChatGPT 3.5、4和4o）進行檢測。結果顯示，這些模型的準確率高達96.2%至98.8%，且評估者間的可靠性極高。研究認為，LLMs能有效識別影像報告中的異常，對早期疾病介入有重要意義，並簡化電子病歷分析過程。 PubMed DOI

Assessments of lung nodules by an artificial intelligence chatbot using longitudinal CT images.
利用人工智慧聊天機器人對肺結節進行評估，基於縱向 CT 圖像。 Cell Rep Med 2025-03-05

這項研究評估了GPT-4o模型在分析647名患者的肺結節長期CT掃描的效果。結果顯示，該模型在預測肺結節的惡性程度上達到0.88的準確率，與病理結果相符；在結節大小測量上，與放射科醫生的結果一致性高達0.91。此外，六位放射科醫生的評估中，GPT-4o在捕捉結節特徵變化方面獲得了4.17的高分。整體來看，研究顯示GPT-4o能有效追蹤肺結節的變化，對臨床決策提供了重要支持。 PubMed DOI

Utilizing large language models for detecting hospital-acquired conditions: an empirical study on pulmonary embolism.
利用大型語言模型檢測醫院獲得的病症：針對肺栓塞的實證研究。 J Am Med Inform Assoc 2025-03-19

這項研究探討了從電子病歷中檢測肺栓塞不良事件的挑戰，並開發了一個利用大型語言模型的框架。研究回顧了2017至2022年間的病歷，發現40例肺栓塞不良事件，流行率為0.4%。框架包含證據提取、出院資訊提取和PEAE檢測三個模組，評估了四個開源模型，結果顯示高敏感性和特異性。研究強調關鍵字過濾和出院摘要的納入能改善性能，並建議未來應加強上下文理解和醫學術語解釋，以提升檢測能力。 PubMed DOI

Extracting Pulmonary Embolism Diagnoses From Radiology Impressions Using GPT-4o: Large Language Model Evaluation Study.
使用 GPT-4o 從放射學印象中提取肺栓塞診斷：大型語言模型評估研究。 JMIR Med Inform 2025-04-09

肺栓塞（PE）是一種危險的病症，需迅速診斷以降低死亡率。手動從放射科報告中提取PE診斷非常耗時，因此本研究探討使用GPT-4o模型自動化提取。研究開發了兩種方法：微調的Clinical Longformer和基於GPT-4o的提取器。結果顯示，GPT-4o在敏感性和F1分數上均優於Clinical Longformer，並在實際應用中保持高準確度。這顯示GPT-4o能有效簡化臨床流程，提升PE診斷的效率，改善病患結果。 PubMed DOI

Evaluation of large language models in generating pulmonary nodule follow-up recommendations.
大型語言模型在產生肺結節追蹤建議之評估 Eur J Radiol Open 2025-05-20

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

Performance analysis of large language models in multi-disease detection from chest computed tomography reports: a comparative study: Experimental Research.
大型語言模型於胸部電腦斷層報告多重疾病偵測之表現分析：比較性研究 Int J Surg 2025-06-11

這項研究比較五款主流大型語言模型解讀胸部CT報告的能力，發現GPT-4表現最佳，尤其在選擇題上最準確。微調後的GPT-3.5-Turbo也有明顯進步。整體來說，選擇題比開放式問答更容易答對。不同疾病和器官系統的結果有差異。結果顯示，優化後的AI模型有助於提升胸部CT解讀，對外科手術規劃很有幫助。 PubMed DOI

Enhancing Pulmonary Disease Prediction Using Large Language Models With Feature Summarization and Hybrid Retrieval-Augmented Generation: Multicenter Methodological Study Based on Radiology Report.
利用特徵摘要與混合檢索增強生成（Hybrid Retrieval-Augmented Generation），結合大型語言模型提升肺部疾病預測：基於放射報告的多中心方法學研究 J Med Internet Res 2025-06-11

這項研究提出結合特徵摘要、思路鏈推理和混合型RAG架構的新提示工程方法，能提升大型語言模型判讀胸部CT報告、診斷肺部疾病的準確度。用2,965份報告測試，結果比傳統深度學習和其他提示法更準，外部驗證也表現優異。此方法不僅提升可解釋性，也有助臨床更精確診斷。 PubMed DOI

原始文章

站上相關主題文章列表