這項研究評估了四個大型語言模型（LLMs）在前列腺癌治療相關的資訊檢索和風險評估任務中的表現，特別針對第四期患者。研究使用350份模擬報告，並針對三個風險評估任務和七個資訊檢索任務進行評估。結果顯示，所有模型在資訊檢索任務中表現良好，但在風險評估上差異明顯，ChatGPT-4-turbo表現最佳。儘管結果令人鼓舞，研究仍提醒可能的誤解會影響臨床決策，並呼籲進一步研究以驗證結果的普遍性。 PubMed DOI

這項研究探討如何利用高通量篩選癌細胞株來預測藥物敏感性，並改善抗腫瘤療法。研究人員結合細胞株的轉錄組學和大型語言模型，成功將藥物與其作用機制連結。結果顯示，重要基因與藥物作用機制有顯著關聯，證明模型能有效捕捉影響治療結果的因素。研究還驗證了對胰臟癌和膠質母細胞瘤患者有效的藥物，顯示整合轉錄組數據和建模技術在個性化癌症治療中的潛力。 PubMed DOI

這項研究提出了一種創新的方法，利用深度學習技術（特別是Yolov8框架）來早期檢測和分割腦腫瘤，達到超過98%的準確率。透過微調和智能計算單元，腫瘤邊緣的分割精度超過99%，且分割時間少於一秒，表現優於現有方法。此外，研究還結合多種分類器和數據融合技術，提升腫瘤分類及預測患者壽命的能力。整體而言，這項研究為醫學影像領域提供了重要貢獻，改善了腦腫瘤的檢測與分類。 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

惡性淋巴瘤是一種多樣化的癌症，特別在老年人中發病率上升。年輕患者常見霍奇金淋巴瘤和伯基特淋巴瘤，而年長者則多見擴散性大B細胞淋巴瘤等。PET/CT影像是評估淋巴瘤的金標準，但解讀複雜，需專家分析，面臨人力資源短缺的挑戰。人工智慧（AI）可改善影像分析、提高效率，並降低放射性藥物劑量。自動分割工具能提升腫瘤量化指標，助於預後和治療決策。儘管仍有挑戰，AI有潛力改善淋巴瘤護理，提升診斷準確性和患者治療結果。 PubMed DOI

這項研究評估大型語言模型（LLMs）在根據病患醫療紀錄生成早期乳腺癌治療選項的準確性。使用2024年初的多學科團隊會議紀錄，測試了三個AI模型：Claude3-Opus、GPT4-Turbo和LLaMa3-70B。結果顯示，Claude3-Opus準確率86.6%，GPT4-Turbo為85.7%，LLaMa3-70B則為75.0%。兩者在輔助內分泌和靶向治療上表現良好，但在輔助放射治療上則有高估的情況。研究建議需進一步探討這些模型在臨床上的實際應用。 PubMed DOI

乳癌重建在癌症治療中扮演重要角色，通常與手術同時進行以促進病人恢復。本研究提出一個新框架，利用自然語言處理（NLP）和大型語言模型（LLMs），增強病人的恢復預測。透過BioBERT進行數據處理，並使用ChatGPT-4和Gemini提供個性化的重建成功率和併發症見解。研究顯示，這些模型的準確率高達98.4%和98.7%，並能有效預測術後情況，提升病人生活品質。這項技術結合了計算與生命科學，為臨床醫生提供強大工具。 PubMed DOI

這項研究發現，結合多種大型語言模型（如Gemini-GPT）在預測肝細胞癌免疫治療反應上，表現和資深醫師差不多，甚至比資淺醫師更好。不過，模型的敏感度還是比資深醫師低。整體來說，這些AI工具未來有機會協助醫師做臨床決策。 PubMed DOI

一個全新AI風險評分系統AIRIS，結合大型語言模型和RAG技術，能更精確預測皮膚鱗狀細胞癌患者的不良預後。和現有標準（BWH、AJCC8）相比，AIRIS在預測復發、轉移和死亡上表現更好，風險分組也更一致，顯示AI有助提升癌症預後工具。 PubMed DOI

研究團隊開發了一套自我監督的深度學習模型，能分析一連串MRI影像，預測兒童腦膠質瘤復發風險。這方法比傳統方式準確度高出最多58.5%，適用於各種惡性度腦瘤，且納入越多過去影像，預測越精準。未來有望提升個人化追蹤，也能應用在其他癌症或慢性病的影像監控。 PubMed DOI