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

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

多模態大型語言模型（MLLMs）正在改變醫療保健，特別是在自動化放射學報告生成（RRG）方面。雖然RRG在2D影像上已經取得成效，但3D醫學影像的應用仍待開發。為此，我們建立了3D-BrainCT數據集，包含18,885對文本與掃描影像，並開發了專為3D CT RRG設計的BrainGPT模型。我們提出了特徵導向放射學任務評估（FORTE）來評估報告質量，結果顯示BrainGPT的FORTE F1分數為0.71，74%的報告與人類撰寫的無法區分。這項研究為未來醫療應用中的人機協作提供了堅實的基礎。 PubMed DOI

大型語言模型（LLMs）如ChatGPT、Llama和Claude，正在改變醫療保健，特別是在放射科。最近，弗賴堡和巴塞爾大學醫院的研究顯示，這些系統能有效整合影像存檔與傳輸系統（PACS）和電子健康紀錄（EHR），提升醫師效率，縮短報告時間，並自動化例行任務。研究結果顯示，LLMs不僅提高了診斷質量，還促進了跨學科合作。未來應著重增強透明度和擴大應用範圍，確保遵守倫理和法律標準。 PubMed DOI

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

放射組學在臨床決策中越來越重要，尤其是乳腺腫瘤的診斷與治療。近期大型語言模型（LLMs）的進展有助於提升放射組學的分析。本研究透過整合LLM的臨床知識，改善乳腺攝影中良性與惡性腫瘤的分類。我們提取了放射組學特徵，並利用提示工程創建輸入序列，經過微調的LLaMA模型處理後，於VinDr-Mammo和INbreast數據集上表現優於傳統方法，準確率分別達到0.671和0.839。這顯示LLMs在放射組學中的潛力，特別是在乳腺攝影分析上。 PubMed DOI

放射科醫師需精準解讀影像和臨床資料，溝通能力也很重要。大型語言模型（LLM）能協助處理大量文字資料，表現專業，即使沒特別訓練也很有用。這篇綜述介紹LLM原理、在放射科的應用潛力，以及實際操作時的建議，像是了解限制、設計提示和微調，幫助醫師更有效運用LLM於臨床工作。 PubMed DOI

這項研究發現，大型語言模型（如Qwen-2.5-max和Llama-3.2）能自動產生子宮頸癌放射治療計劃，效果不輸人類專家，甚至在某些指標上更優，而且規劃速度更快。這代表未來有機會用AI簡化放射治療流程，減輕醫護人員負擔，提升臨床效率。 PubMed DOI

大型語言模型在癌症影像領域應用越來越多，像是自動產生報告、分類影像、整合臨床指引，還能幫助病人理解報告。未來有機會協助腫瘤委員會討論、治療管理和預測副作用。不過，目前還有幻覺和表現不穩定等問題，限制臨床應用。 PubMed DOI

這項研究用7,903筆放射腫瘤科資料微調LLaMA2-7B和Mistral-7B模型，提升它們在治療建議、治療選擇和ICD-10診斷預測三大任務的表現。微調後模型的準確度和臨床相關性都明顯進步，超過六成AI產生的治療方案被醫師認可，顯示未來在臨床應用上很有潛力。 PubMed DOI