病人現在更容易取得影像報告，但常覺得太複雜難懂。研究指出，讓病人更易理解報告有助於治療結果。提出的解決方案包括簡化報告、提供第二份報告和放射科醫師聯絡方式。人工智慧可協助簡化報告，但對病人的應用仍有限。新技術如自然語言處理和大型語言模型有潛力提升病人對報告的理解，但仍需更多研究。 PubMed DOI

研究發現，使用人工智慧大型語言模型（AI-LLM）分析放射學報告，能有效提升易讀性。簡化專業術語後，報告的易讀性和準確性均有所提升。這項研究顯示，AI-LLM對於幫助患者更好理解放射學報告具有重要價值。 PubMed DOI

研究發現，使用人工智慧大型語言模型（AI-LLM）幫助患者理解膝蓋放射學報告效果顯著。報告變得更易懂，但仍可能有錯誤。建議醫師與患者一同檢視和討論報告，AI-LLM可作為提升患者理解的有用工具。 PubMed DOI

研究比較四個大型語言模型在簡化放射學報告以提高患者閱讀易懂性的表現。結果顯示，所有模型都成功簡化報告，但在提供背景資料後效果更好。這顯示這些模型在幫助患者理解放射學報告方面有潛力。 PubMed DOI

這項研究探討了人工智慧大型語言模型（AI-LLM）在改善手部和手腕影像學報告可讀性上的效果。研究分析了300份報告，並要求AI用簡單語言解釋。結果顯示，AI生成的報告可讀性顯著提升，達到八年級以下的閱讀水平。X光報告的準確性評分為4.1，CT和MRI則為3.9。雖然AI有少量不準確內容，但整體上顯示出AI-LLM在幫助病人理解醫學影像結果方面的潛力。 PubMed DOI

隨著患者能更直接獲取醫療紀錄，放射科報告中的醫學術語卻常讓人困惑。為了解決這個問題，我們提出利用大型語言模型（LLM）自動生成更易懂的報告翻譯。我們在100份去識別化的神經放射科報告上進行測試，並在不同閱讀水平上生成翻譯。結果顯示，翻譯的準確率和可讀性均優於傳統方法，特別是在第八年級閱讀水平上，準確率分別達到88%和93%。這種方法不僅增強了患者的理解，也不會顯著增加醫生的工作負擔。 PubMed DOI

這項研究評估了多種大型語言模型（LLMs）在簡化介入放射學（IR）報告的表現，重點在質性和量性指標。GPT-4和Claude-3-Opus在質性評估中表現最佳，錯誤率最低，特別是在內容和信任方面。量性評估顯示，GPT-4在可讀性指標上也優於其他模型。研究強調簡化IR報告對病人理解和臨床決策的重要性，並指出所有模型仍需改進以減少錯誤。 PubMed DOI

這項研究評估大型語言模型（LLMs）在提供前列腺癌放射治療病人教育的有效性，並納入臨床醫生和病人的反饋。研究中針對六個常見問題，評估了ChatGPT-4、Gemini、Copilot和Claude的回答。結果顯示，雖然所有模型的回答被認為相關且正確，但可讀性較差。病人對ChatGPT-4的評價較高，認為其回答易懂且有信心。整體而言，LLMs在病人教育上有潛力，但準確性和可讀性仍需改進，未來需進一步研究以提升其效益。 PubMed DOI

這項研究探討大型語言模型（如GPT-4）如何提升術後病理報告的可讀性與理解度。研究分析了698份來自四家醫院的病理報告，重點在惡性腫瘤。透過創建詮釋性病理報告（IPRs）模板，發現使用IPRs後，病人的理解分數從5.23提升至7.98，醫生與病人溝通時間也減少超過70%。雖然未直接測量病人的治療結果，但改善的理解度和溝通效率可能對病人的參與度有正面影響，顯示人工智慧在醫療溝通中的潛力。 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