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

隨著醫學影像使用增加，放射科醫師面臨審查影像和撰寫報告的壓力。為了減輕這負擔並提升病患護理品質，研究者正利用深度學習技術自動生成醫學報告。本文提供自動醫學報告生成的最新進展，重點探討四個領域：報告生成問題的本質、影像數據集介紹、評估指標分析，以及研究分類。還強調現存挑戰並建議未來研究方向，旨在增進對該領域的理解與發展。 PubMed DOI

大型語言模型正在改變醫療領域，特別是在臨床決策支持和資訊提取方面。這些模型的語言理解能力幫助病理學家從知識庫中檢索準確資訊以進行診斷。我們提出了一個框架，結合檢索增強生成技術與提示工程，並提供了涵蓋腎臟疾病的臨床數據語料庫。透過多樣的提示技術，模型在疾病診斷的表現顯著提升，特別是在上下文相關性上獲得完美的1.0分，顯示出優秀的對話對齊能力。 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

病理科部門產生大量非結構化數據，主要以自由文本的診斷報告形式存在，轉換成結構化格式需要大量人力。雖然先進的語言模型能協助此任務，但專有模型可能引發成本和隱私問題。我們創建了一個包含579份德文和英文病理報告的數據集，評估了六個語言模型的提取能力。研究顯示，開源模型在提取結構化數據方面的精度與專有模型相當，且具成本效益和隱私保護潛力，為醫療機構提供了重要見解。 PubMed DOI

這項研究探討使用本地部署的大型語言模型（LLM）自動回答醫療問題，特別針對甲狀腺癌的外科病理報告。研究比較了LLM與人類審閱者在提取關鍵資訊的表現。結果顯示，人類審閱者的一致率高達99%，而LLM的平均一致率為89%。在效率方面，LLM回答問題的時間約19.56分鐘，遠低於審閱者的170.7分鐘和115分鐘。研究顯示LLM能有效協助醫療問題回答，並有潛力進一步改善數據提取能力。 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

這項研究用GPT-4o和Llama3.3等大型語言模型，測試它們在227份人工合成病理報告中辨識和分類癌症的能力。結果顯示，這些AI模型在準確率、敏感度和特異性上都比傳統方法更優秀，有機會讓癌症登記流程更快、更可靠，提升公共衛生和臨床照護品質。 PubMed DOI

這項研究提出一套用多個本地大型語言模型（LLMs）自動從外科病理報告中擷取癌症相關重點資訊的方法。每個模型會給出結構化結果和理由，經彙整後再由病理醫師確認。實測超過4,000份報告，準確率高，但在分期和側別等部分仍有困難。這方法提升了解釋性和稽核性，證明本地LLMs能可靠支援臨床自動化。 PubMed DOI

這篇論文提出一種多階段訓練法，先用疾病標籤、再用實體關係、最後才用完整報告來訓練大型語言模型，逐步增加難度。這樣能讓模型更專注臨床重點，生成的放射科報告在語言流暢度和臨床準確性都表現最佳。程式碼已開源於 GitHub。 PubMed DOI