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

Automated radiotherapy treatment planning guided by GPT-4Vision.
由GPT-4Vision引導的自動化放射治療計劃設計。 ArXiv 2024-07-16

新研究介紹了GPT-RadPlan，使用GPT-4Vision的自動化治療計劃框架，改善放射治療。GPT-RadPlan在攝護腺和頭頸癌症治療中表現優異，比臨床計劃更有效。這種自動化系統可簡化治療計劃流程，無需額外培訓。 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

Benchmarking a Foundation Large Language Model on its Ability to Relabel Structure Names in Accordance With the American Association of Physicists in Medicine Task Group-263 Report.
根據美國醫學物理學會 Task Group-263 報告，基準測試一個基礎大型語言模型在重新標記結構名稱的能力。 Pract Radiat Oncol 2024-09-07

這項研究探討大型語言模型（LLMs），特別是GPT-4，在數位影像與醫學通訊（DICOM）伺服器中，根據美國醫學物理學會TG-263標準重新標記結構名稱的應用。研究針對前列腺、頭頸部和胸腔三個疾病部位，選取150名患者進行調整，50名患者用於評估。結果顯示高準確率，前列腺97.2%、頭頸部98.3%和胸腔97.1%。研究顯示GPT-4能有效標準化放射腫瘤學中的結構名稱，顯示其在該領域的潛力。 PubMed DOI

Large-language-model empowered 3D dose prediction for intensity-modulated radiotherapy.
大型語言模型驅動的強度調變放射治療三維劑量預測。 Med Phys 2024-09-24

這項研究探討放射治療中的治療計畫挑戰，重點在於使用深度學習模型預測劑量-體積直方圖（DVHs），特別是新型的劑量圖神經網絡（DoseGNN）。這個模型能將醫學影像轉換為結構化圖形，提升DVH預測準確性。DoseGNN結合大型語言模型（LLM），促進臨床醫師互動，並提出線上人機協作系統（OHAC）以改善強度調變放射治療（IMRT）的自動化。與其他模型比較，DoseGNN在預測計畫目標體積和危險器官的表現更佳，顯示出提升放射治療計畫準確性和效率的潛力。 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

Enhancing Radiological Reporting in Head and Neck Cancer: Converting Free-Text CT Scan Reports to Structured Reports Using Large Language Models.
提升頭頸癌放射學報告：利用大型語言模型將自由文本 CT 掃描報告轉換為結構化報告。 Indian J Radiol Imaging 2024-12-19

本研究評估大型語言模型（LLMs）在將頭頸癌患者的CT報告轉換為結構化格式的有效性。分析150份報告，使用GPT-4轉換50份，經放射科醫生評估後發現有10處信息缺失。改進模板後，再轉換100份報告，結果顯示無新錯誤。研究結果顯示，LLMs能有效結構化放射學報告，可能提升其在臨床中的應用與接受度。 PubMed DOI

Leveraging Large Language Models to Generate Clinical Histories for Oncologic Imaging Requisitions.
利用大型語言模型生成腫瘤影像檢查申請的臨床歷史。 Radiology 2025-02-04

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

A feasibility study of automating radiotherapy planning with large language model agents.
利用大型語言模型代理自動化放射治療計劃的可行性研究。 Phys Med Biol 2025-03-12

本研究旨在透過GPT-Plan自動化系統提升放射治療計畫，利用GPT-4大型語言模型優化治療計畫，平衡腫瘤控制與周圍器官保護。研究中，GPT-Plan模擬劑量學家與物理學家的合作，並在12例肺癌及5例子宮頸癌病例中測試其性能。結果顯示，GPT-Plan在肺癌計畫中優於ECHO，且在子宮頸癌計畫中與資深物理學家相當。歷史計畫檢索顯著減少優化次數，顯示LLM驅動的代理在複雜治療決策中的潛力。 PubMed DOI

原始文章

站上相關主題文章列表