深度學習應用在病理圖像可提升腫瘤醫學精準度，減輕專家負擔。然而，訓練模型需要耗時且昂貴的標記數據。研究指出使用GPT-4等大型語言模型，能從非結構化病理報告中提取結構化數據，無需重新訓練。結果顯示模型生成的數據與人類高度一致，未來或可應用在提取真實數據供機器學習使用。 PubMed DOI

醫療機構的病理科常有重要資料，但提取資料常需手動且耗時。利用大型語言模型如ChatGPT和Google Bard能自動化這過程。將病理報告輸入模型，可輕鬆創建摘要報告，並匯出至Excel等工具。AI輔助的資料提取可提升研究效率和準確性，勝過手動方式。 PubMed DOI

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

本研究探討大型語言模型（LLMs），特別是GPT-3.5 turbo和GPT-4，如何提取肝細胞癌病理報告中的關鍵要素。考量到手動整理報告的困難，研究比較了LLMs與傳統的正則表達式（REGEX）方法的準確性。共分析了88份病理報告，重點在五個關鍵要素。結果顯示，LLMs和REGEX的提取準確性均相當，介於84.1%到94.8%之間。研究指出，LLMs有潛力顯著簡化提取過程，進而加速癌症研究的進展。 PubMed DOI

這項研究探討如何從非結構化的病理報告中提取結構化資訊，儘管已有標準。作者提出一個實用框架，利用大型多模態模型和上下文感知的提示策略，提取如分級和大小等特定欄位。每個欄位都有信心值，顯示提取準確性。評估結果顯示準確率高達0.99，信心分數有效指標，並能自動檢測錯誤。提取的信息對預後目的高度相關。該框架的演示和結直腸癌數據已在線上提供，供進一步探索與應用。 PubMed DOI

這項研究探討微調大型語言模型（LLMs）在自動化肺癌病理TN分期分類的應用，旨在克服傳統自然語言處理方法的缺點。研究比較了六個開源LLM，使用3,216份去識別化的肺癌外科病理報告進行評估。結果顯示，Orca2_13b模型表現最佳，分類準確度達0.934，生成理由的語義匹配率為0.864。這項研究顯示，生成式語言模型能顯著提升癌症分期的自動化，對臨床實踐和腫瘤數據管理有潛在好處。 PubMed DOI

醫學影像分析需要放射科醫師的專業知識，但手動報告過程耗時且成本高。為了解決這些問題，研究者提出了多種方法，包括深度學習技術，來協助醫師。系統性文獻回顧顯示，編碼器-解碼器框架是最常用的模型，準確率達92-95%。雖然這些方法展現良好效果，但仍面臨過擬合和數據依賴等挑戰。本文提供了克服這些問題的建議，旨在提升醫學報告生成的準確性與效率，減輕醫師的工作負擔。 PubMed DOI

全切片影像（WSIs）的分析常被視為多實例學習（MIL）問題，因為檔案龐大且註解有限。傳統方法只專注於訓練數據，與臨床醫師的推理方式不同。為了解決這個問題，我們提出了ConcepPath，一個新穎的MIL框架，整合醫學文獻的知識概念，並利用GPT-4進行處理。這個框架結合專家與可學習概念，提升從訓練數據中提取知識的能力。在肺癌、乳腺癌HER2評分及胃癌免疫療法敏感性分類等應用中，ConcepPath顯示出顯著改進，超越以往未利用專家知識的方法。 PubMed DOI

這項研究顯示生成式人工智慧在自動化將非結構化病理報告轉為結構化格式方面的有效性，特別針對台北醫學大學醫院的乳腺癌報告。研究人員使用ChatGPT大型語言模型，透過Streamlit網頁應用程式達到99.61%的準確率，並顯著縮短處理時間，優於傳統方法。雖然目前僅限於單一機構及乳腺癌報告，但未來計畫將擴展至其他癌症類型並進行外部驗證，以確保系統的穩健性。總體而言，這顯示人工智慧能有效提升病理報告處理效率，促進生物醫學研究的進步。 PubMed DOI

Reg2RG框架針對CT報告生成的挑戰，專注於特定解剖區域，提升診斷性能。它利用通用分割模組的遮罩捕捉局部特徵，並引入局部特徵解耦（LFD）策略，以低計算成本保持高解析度。框架還實施區域報告對齊（RRA）訓練策略，透過識別參考區域來生成更具可解釋性的報告。大型語言模型（LLM）用作解碼器，從視覺特徵生成報告。實驗結果顯示，Reg2RG在自然語言生成和臨床效能上超越多種先進方法，且代碼已在GitHub公開。 PubMed DOI