Constructing a Large Language Model to Generate Impressions from Findings in Radiology Reports.
構建大型語言模型以從放射學報告中的發現生成印象。 Radiology 2024-09-17

這項研究開發了一個大型語言模型（LLM），能根據影像生成放射學印象，並評估其專業及語言表現。研究在上海總醫院進行，六位放射科醫生使用該模型並進行修正。LLM在20 GB醫學及一般文本數據上預訓練，並用1.5 GB數據微調，包含800份放射學報告。結果顯示，LLM的中位召回率為0.775，精確度0.84，F1分數0.772，表現良好。專家對其印象評價高，顯示其在放射學檢查中具專業性。 PubMed DOI

Enhancing Oncological Surveillance Through Large Language Model-Assisted Analysis: A Comparative Study of GPT-4 and Gemini in Evaluating Oncological Issues From Serial Abdominal CT Scan Reports.
透過大型語言模型輔助分析增強腫瘤監測：GPT-4 與 Gemini 在評估連續腹部 CT 掃描報告中的腫瘤問題的比較研究。 Acad Radiol 2024-12-10

這項研究比較了兩個大型語言模型（LLMs），GPT-4 和 Gemini，在分析放射學報告以識別腫瘤問題的表現。研究涵蓋205名患者，結果顯示GPT-4在準確率、精確度、召回率和F1分數上均優於Gemini，特別是在腫瘤狀態的判斷上也更準確。這顯示出大型語言模型，尤其是GPT-4，在腫瘤監測方面的潛力。 PubMed DOI

Assessing Large Language Models for Oncology Data Inference From Radiology Reports.
評估大型語言模型在放射學報告中對腫瘤學數據推斷的能力。 JCO Clin Cancer Inform 2024-12-11

這項研究評估了專有與開放的大型語言模型（LLMs）在分析胰臟癌放射學報告的有效性，重點在於疾病的存在、位置及治療反應。研究分析了203份去識別化的報告，使用了GPT-4、GPT-3.5-turbo及開放模型如Gemma-7B和Llama3-8B。結果顯示，GPT-4在確定疾病狀態上準確率最高，達75.5%。開放模型在某些方面表現不如專有模型，但仍具潛力，特別是在專有模型無法使用時。這項研究為未來腫瘤學領域的LLM研究提供了重要資源。 PubMed DOI

Utility of a large language model for extraction of clinical findings from healthcare data following lung ablation: A feasibility study.
肺部消融後從醫療數據中提取臨床發現的大型語言模型的實用性：一項可行性研究。 J Vasc Interv Radiol 2024-12-11

這項研究評估大型語言模型（LLM）在提取與肺部微波腫瘤消融（MWA）相關的臨床資訊的效果。研究針對20名患者進行回顧性分析，檢視治療後最多12個月的放射學報告和診所筆記。使用LLM（GPT 3.5 Turbo 16k）識別四個關鍵臨床結果，結果經手動審查驗證。分析104份放射學報告和37份診所筆記，顯示LLM在識別這些結果上準確率高達85%到100%。研究顯示LLM能有效提取醫療數據中的臨床資訊，未來可能對介入放射學研究有幫助。 PubMed DOI

Large language models as an academic resource for radiologists stepping into artificial intelligence research.
大型語言模型作為放射科醫生進入人工智慧研究的學術資源。 Curr Probl Diagn Radiol 2024-12-13

放射科醫生越來越依賴人工智慧（AI）來提升診斷準確性，但許多人對機器學習（ML）和深度學習（DL）技術不夠熟悉，限制了這些技術的應用。研究評估了大型語言模型（如GPT-4o）作為推薦系統的有效性，幫助醫生理解和應用AI。GPT-4o根據提供的數據特徵，成功推薦了適合的演算法，如U-Net和EfficientNet，顯示出其作為醫生資源的潛力，並有助於縮小AI實施的知識差距。未來應探討如何將這些模型整合進日常工作流程。 PubMed DOI

The Transformative Potential of Large Language Models in Mining Electronic Health Records Data: Content Analysis.
大型語言模型在挖掘電子健康紀錄數據中的變革潛力：內容分析。 JMIR Med Inform 2025-01-02

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

Use of ChatGPT Large Language Models to Extract Details of Recommendations for Additional Imaging From Free-Text Impressions of Radiology Reports.
使用 ChatGPT 大型語言模型從放射科報告的自由文本印象中提取額外影像建議的細節。 AJR Am J Roentgenol 2025-01-29

本研究探討大型語言模型（LLMs）在從放射科報告中提取額外影像檢查建議（RAIs）的有效性。研究回顧了250份報告，確認231份包含RAIs，並使用自然語言處理算法進行分析。結果顯示，GPT-4在提取RAI檢查方式、身體部位和時間框架方面的準確率均優於GPT-3.5，顯示出LLMs在確保影像檢查建議及時完成的潛力，可能有助於減少診斷延遲。 PubMed DOI

Radiology Report Annotation Using Generative Large Language Models: Comparative Analysis.
使用生成大型語言模型的放射學報告註釋：比較分析。 Int J Biomed Imaging 2025-02-19

最近大型語言模型（LLMs）如GPT-3.5和GPT-4在醫療領域的應用引起關注。本研究比較了這些模型在註解放射學報告及生成胸部CT印象的表現，旨在協助醫療專業人員處理日常文檔任務。研究使用了上下文學習和檢索增強生成等方法，並透過多種指標進行評估。結果顯示，GPT-4在性能上優於GPT-3.5，且提示設計對結果影響顯著。研究建議在醫療實踐中整合這些先進模型，以提升文檔效率與準確性。 PubMed DOI

Assessing Completeness of Clinical Histories Accompanying Imaging Orders Using Adapted Open-Source and Closed-Source Large Language Models.
使用改編的開源和閉源大型語言模型評估影像訂單附帶的臨床歷史完整性。 Radiology 2025-02-25

這項研究針對放射學中不完整的臨床歷史進行挑戰，評估大型語言模型（LLMs）在自動提取影像訂單關鍵元素的效果。研究調整了Mistral-7B、Llama 2-7B和GPT-4 Turbo三個模型，分析了50,186份急診臨床歷史數據。結果顯示，Mistral-7B的表現優於Llama 2-7B，且與放射科醫生的評估高度一致，準確率高達26.2%。這表明Mistral-7B是一個有效的開源解決方案，能改善臨床歷史的完整性，並將公開其模型及代碼。 PubMed DOI

[Integration of large language models into the clinic : Revolution in analysing and processing patient data to increase efficiency and quality in radiology].
大型語言模型在臨床中的整合：革命性地分析和處理患者數據，以提高放射學的效率和質量。 Radiologie (Heidelb) 2025-03-12

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

原始文章

站上相關主題文章列表