這項研究評估了人工智慧（AI）系統在解讀數位乳房X光攝影和數位乳房層析攝影（DBT）用於乳房攝影篩檢的表現。結果顯示，獨立運作的AI在數位乳房X光攝影篩檢中表現與放射科醫師相當或更好。AI在DBT中的表現也優於放射科醫師。然而，仍需要進行更多研究來評估AI在DBT解讀中的表現。 PubMed DOI

研究比較了KARA-CXR和ChatGPT兩種人工智慧技術在閱讀胸部X光片時的表現，結果顯示KARA-CXR準確性較高，且在虛假發現、位置不準確和幻覺方面表現也更好。這研究強調了人工智慧和語言模型在醫學影像領域的潛力，KARA-CXR在胸部X光片診斷上有很大的發展空間。 PubMed DOI

研究評估了ChatGPT-4V在解讀COVID-19、NSCLC和對照組案例的胸部CT掃描的準確性。ChatGPT-4V整體準確率為56.76%，對不同情況的敏感性和特異性有所不同。模型在所有肺葉案例中表現最佳。研究強調了AI模型在放射學中的挑戰和改進領域，呼籲加強模型以提升醫療應用的可靠性。 PubMed DOI

結核病是致命疾病，但可藉藥物治癒。利用機器學習分析放射學數據和臨床資訊，有助於改善結核病的檢測和治療。研究顯示，TB-Net模型在分析結核病進展方面比深度學習模型更有效。TB-Net結果穩定，與其他疾病指標相關良好，對早期檢測、治療監測和臨床決策有重要價值。 PubMed DOI

這項研究評估了10個大型語言模型（LLMs）與2位認證放射科醫生在分析胸部放射學案例的診斷表現。研究收集了124個案例，結果顯示Claude 3 Opus的診斷準確率最高，達70.29%，而放射科醫生的準確率則較低，分別為52.4%和41.1%。LLMs在特定案例中的表現較佳，顯示在適當醫療監督下，LLMs可能成為臨床決策的重要工具。 PubMed DOI

這項研究探討了OpenAI的GPT-4進階數據分析（ADA）在分析重症監護病房病人胸部X光片的有效性。研究使用了43,788份病人報告，要求GPT-4進行多種分析，包括繪圖和預測模型。三位具機器學習經驗的科學家評估了GPT-4的輸出，結果顯示其視覺化和統計分析大多準確，但也有錯誤。GPT-4的機器學習模型AUC為0.75，與人類模型相近（0.80），準確率也相似。研究建議大型語言模型可增強放射學數據分析，但仍需注意準確性限制。 PubMed DOI

本研究評估了兩種人工智慧工具，M4CXR 和 ChatGPT-4o，在解讀胸部 X 光片的診斷能力。研究分析了826張影像，結果顯示M4CXR在準確性和一致性上均優於ChatGPT，診斷準確性分別為60-62%和42-45%。M4CXR在解剖定位的準確性達76-77.5%，而ChatGPT僅36-36.5%。研究強調這些技術的互補潛力，建議結合人工智慧與臨床判斷，以提升病患護理結果。 PubMed DOI

人工智慧（AI）正逐漸融入胸部放射學，展現出在解讀胸部X光片、篩檢肺癌及肺栓塞分流等方面的有效性。未來還有許多應用待探索，如過濾正常X光片和監控讀片錯誤。不過，成功實施AI需要針對性能評估、IT整合及持續監控制定策略。挑戰包括對放射科醫師的教育、管理風險及數據獲取差異。此外，下一代大型語言模型（LLMs）有潛力改變胸部放射學，但仍需進一步研究其可行性。 PubMed DOI

這項研究探討了一個專門的多模態生成式人工智慧模型在胸部X光片解讀上的影響，評估其診斷準確性和臨床價值。該模型基於42家醫院18年的X光片報告數據訓練，並在多個公共數據集上測試。 主要發現包括： - 模型對氣胸和皮下氣腫的檢測敏感度分別為95.3%和92.6%。 - 報告接受率：人工智慧模型70.5%、放射科醫師73.3%、GPT-4Vision僅29.6%。 - 人工智慧模型的報告獲得最高一致性和質量評分，顯示其可靠性優於GPT-4Vision。 總結來說，這項研究顯示專門的人工智慧模型在放射學診斷中具備顯著潛力。 PubMed DOI

這項研究探討了使用ChatGPT 4.0搭配「X-Ray Interpreter」來解讀急診胸部X光片。分析了1,400張來自NIH的影像，涵蓋七種病理類別。ChatGPT在識別正常X光片方面表現優異，敏感度達98.9%，特異度93.9%。對於肺炎和氣胸的診斷表現較好，但在肺不張和肺氣腫上則較差。總體來看，ChatGPT作為輔助診斷工具顯示潛力，但對於更細微的診斷仍需改進，未來可與專業影像識別模型整合以提升能力。 PubMed DOI