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

Enhancing Aortic Aneurysm Surveillance: Transformer NLP for Flagging and Measuring in Radiology Reports.
增強主動脈瘤監測：使用 Transformer NLP 在放射學報告中標記和測量。 Ann Vasc Surg 2024-10-18

這項研究探討了基於變壓器的自然語言處理（NLP）如何改善偶發性主動脈瘤（AAs）的檢測與管理。研究目標包括評估NLP管道的有效性、量化臨床影響及促進約診協調。分析了3,229份放射學報告，結果顯示NLP在檢測AAs方面準確性高，F1分數介於96.7%到99.4%之間，優於手動查閱。研究中，14.1%的患者有偶發性發現，55.7%成功聯繫並協調後續約診，顯示NLP能有效增強主動脈瘤的監測，改善患者結果。 PubMed DOI

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

Assessing Large Language Models for Oncology Data Inference From Radiology Reports.
評估大型語言模型在放射學報告中對腫瘤學數據推斷的能力。 JCO Clin Cancer Inform 2024-12-11

這項研究評估了專有與開放的大型語言模型（LLMs）在分析胰臟癌放射學報告的有效性，重點在於疾病的存在、位置及治療反應。研究分析了203份去識別化的報告，使用了GPT-4、GPT-3.5-turbo及開放模型如Gemma-7B和Llama3-8B。結果顯示，GPT-4在確定疾病狀態上準確率最高，達75.5%。開放模型在某些方面表現不如專有模型，但仍具潛力，特別是在專有模型無法使用時。這項研究為未來腫瘤學領域的LLM研究提供了重要資源。 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

Automated Identification of Breast Cancer Relapse in Computed Tomography Reports Using Natural Language Processing.
利用自然語言處理自動識別計算機斷層掃描報告中的乳腺癌復發。 JCO Clin Cancer Inform 2024-12-20

這項研究探討利用自然語言處理（NLP）和深度學習技術，自動識別CT報告中的乳腺癌復發。研究分析了2005至2014年間的1,445份隨訪CT報告，結果顯示55.3%的報告有復發跡象。所開發的模型準確率高達89.6%，本地復發準確率94.6%，區域93.6%，遠端88.1%。研究認為，透過NLP自動識別乳腺癌復發，能有效改善患者結果的數據收集，並解決癌症登記的後勤與財務挑戰。 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

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

原始文章

站上相關主題文章列表