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

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

將非結構化的放射科報告轉換為結構化數據，雖然大型語言模型（LLMs）展現出潛力，但面臨多項挑戰，如醫學術語的模糊性、縮寫的使用、報告表達的多樣性及數據質量不一等。為了克服這些問題，可以採用深度學習模型進行微調、結合規則系統、使用本體論等方法。此外，確保數據質量與可靠性也很重要，需透過穩健的評估指標、上下文整合、持續學習及人類監督來提升準確性。 PubMed DOI

這項研究評估了四種大型語言模型（LLMs）在使用日本FDG-PET報告中的Lugano分類來分類惡性淋巴瘤階段的效果。研究中，GPT-4o的準確率最高，達75%，顯示出顯著一致性。其他模型如Claude 3.5 Sonnet、Gemma 2 27B和Llama 3 70B的準確率分別為61.3%、58.8%和57.5%。整體來看，GPT-4o在解讀臨床文本方面表現最佳，顯示出LLMs在標準化放射學數據的潛力，雖然即時臨床應用仍有限。 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

這項研究評估了九個大型語言模型（LLMs）在總結中國放射科報告中對肺癌的印象表現。研究發現，ERNIE Bot、Tongyi Qianwen 和 Claude 在生成 CT、PET-CT 和超音波報告的印象方面表現最佳。雖然生成的印象通常完整且正確，但在簡潔性和真實性上仍有不足，且與放射科醫生撰寫的印象相比，仍存在顯著差距。整體來看，現有的 LLMs 雖能生成高完整性和正確性的報告，但尚無法完全取代放射科醫生。 PubMed DOI

這項研究評估了一個保護隱私的大型語言模型（LLM）在比對MRI報告的發現及追蹤變化的有效性。研究分為兩個階段：首先，LLM比對後續報告與先前報告的發現；其次，評估這些發現的變化。使用的數據集包含240份身體MRI報告和134份無對比劑的胸部CT報告。TenyxChat-7B LLM在七個模型中表現最佳，內部數據集F1分數達85.4%，外部數據集為81.8%。結果顯示，該模型能有效協助結構化報告，改善醫師之間的溝通。 PubMed DOI

這項研究用大型語言模型，解決放射科報告標註資料不足的問題，能自動抓出危及生命的異常發現。模型在1.5萬份未標註報告訓練，經專家和AI評分驗證，準確度高，內外部資料都適用。這方法提升危急異常偵測力，已開放給研究和臨床使用。 PubMed DOI

這篇研究發現，大型語言模型在製作日本放射技術師國考教材時，對文字題表現不錯，但計算題和影像判讀較弱。建議搭配程式工具解計算題，影像題則用關鍵字輔助。老師要主動監督和驗證內容。隨著LLM進步，教學方法也要跟著調整，才能確保非英語環境下的教學品質。 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