原始文章

這項研究旨在開發機器學習和深度學習模型，自動化根據臨床轉診文本制定緊急腦部MRI掃描的協議。研究分析了2016至2019年間的1,953份轉診，並由神經放射科醫師提供參考標準。使用了三種機器學習演算法和兩個深度學習模型，結果顯示GPT-3.5模型在協議預測上達84%準確率，對比劑需求判斷達91%。研究證明這些模型能有效自動化MRI掃描協議的制定，結果已發表。 PubMed DOI ♡

站上相關主題文章列表

這項研究探討了GPT-4在協助懷疑心肌炎的醫療決策中的有效性，分析了396名患者的心臟MRI報告。結果顯示，GPT-4的準確率為83%，敏感度90%，特異度78%。其表現與一位有一年經驗的放射科醫師相當，但低於經驗更豐富的醫師。當報告中包含T1和T2映射序列時，GPT-4和人類醫師的表現都有所提升。這顯示GPT-4可能成為經驗較少醫師的有用診斷輔助工具，但仍需進一步研究以了解其潛力。 PubMed DOI

腦出血是一種危急的醫療狀況，需迅速診斷和治療。雖然CT掃描是關鍵，但在資源有限的情況下，經驗不足的放射科醫生可能影響診斷效果。本研究探討使用GPT-4模型來識別CT掃描中的腦出血，分析了208個掃描結果。GPT-4的整體識別率為72.6%，在硬膜外和腦實質內出血表現最佳，但在慢性硬膜下出血方面較差。放射科醫生對GPT-4的表現給予正面評價，顯示其在放射影像領域的潛力。 PubMed DOI

這項研究評估了GPT-4在神經放射學中生成鑑別診斷的效果，並與專業神經放射科醫師進行比較。研究分析了60份報告，結果顯示GPT-4在61.7%的案例中正確包含實際診斷，而醫師的準確率在63.3%到73.3%之間。GPT-4與醫師的協議程度被評為公平到中等。雖然GPT-4在輔助放射學工作上顯示潛力，但準確性仍不及人類專家，這強調了了解其局限性的重要性。 PubMed DOI

這項研究評估了八種公開的大型語言模型（LLMs）在24個神經放射學臨床情境中提供影像建議的表現。評估模型包括GPT-4、ChatGPT、Bard、Bing Chat、Llama 2等。結果顯示，GPT-4表現最佳，提供23個最佳建議，其次是ChatGPT有20個，而Llama 2僅有5個最佳建議。這項研究強調了大型語言模型在臨床影像利用上的潛力，並探討了評估其表現的挑戰，具有重要意義。 PubMed DOI

這項研究評估了一個安全的機構大型語言模型（LLM）在增強MRI脊椎檢查申請表及自動協議方面的效果。研究分析了218名患者的250份申請表，結果顯示LLM增強的申請表在臨床資訊充分性上達93.6-96.0%，遠高於臨床醫師的46.8-58.8%。LLM在78.4%的案例中提供正確的MRI協議建議，雖然低於放射科醫師的準確率，但在識別脊椎器械方面表現優異，準確率達95.1%。總體而言，LLM顯著提升了MRI申請表的質量，顯示出優化放射科醫師工作流程的潛力。 PubMed DOI

這項研究評估了大型語言模型（LLMs）在急性缺血性中風（AIS）患者的手術記錄中提取數據的有效性。分析了382份手術記錄，重點在30份，以指導LLMs提取關鍵特徵。六種LLMs的表現良好，平均準確率達95.09%，整體準確率為78.05%。GLM4和GPT-4在進階特徵提取上表現突出，準確率分別為84.03%和82.20%。LLMs的數據處理速度也顯著快於醫師，顯示出在AIS治療中改善臨床數據管理的潛力。 PubMed DOI

這項研究開發了一個利用自然語言處理（NLP）的AI解決方案，旨在自動化腹部和盆腔MRI檢查的標準協議，減輕放射科醫師的負擔。研究分析了約46,000個去識別化的MRI掃描數據，並排除了COVID期間的資料以避免偏差。基於BERT演算法的NLP模型達到88.5%的準確率，經專家審查後實際準確率高達97.9%。結果顯示，NLP演算法能有效預測MRI協議，提升放射科的工作效率。 PubMed DOI

這項研究探討經過微調的大型語言模型（LLM）在放射科CT檢查協議分配中的應用。研究分析了4,268例對比增強的胸部和腹部CT，並根據臨床指徵等訓練LLM。經過15個時期的微調後，模型準確率達到0.923和0.963，靈敏度為0.907。 評估結果顯示，LLM提升了住院醫師和放射科醫生的準確性，住院醫師的準確率從0.913提升至0.936，且閱讀時間分別縮短14%和12%。總體而言，LLM能有效提升CT協議的效率與診斷準確性。 PubMed DOI

這項研究探討了大型語言模型（LLMs）在急性缺血性中風（AIS）病例中的應用，特別是機械性血栓切除術（MT）的適應性。研究分析了100名AIS患者的數據，LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示，該AI模型的整體準確率達88%，特異性96%，敏感性80%，曲線下面積為0.92，顯示出LLMs在整合醫療數據方面的潛力，並鼓勵進一步探索其在臨床的應用。 PubMed DOI

這項研究評估了ChatGPT和Gemini在根據歐洲放射學會iGuide解釋成人腦部CT轉診的表現。結果顯示，歐洲影像轉診指導方針的採用不佳，導致許多不必要的CT掃描。雖然ChatGPT在分析美國指導方針時表現良好，但在這項研究中，兩個聊天機器人在辯護CT轉診方面的表現有限，特別是對模糊案例。研究建議，雖然聊天機器人有潛力，但仍需改進以應對真實世界的挑戰。自訂預測模型的表現則顯著優於聊天機器人。 PubMed DOI