病人現在更容易取得影像報告，但常覺得太複雜難懂。研究指出，讓病人更易理解報告有助於治療結果。提出的解決方案包括簡化報告、提供第二份報告和放射科醫師聯絡方式。人工智慧可協助簡化報告，但對病人的應用仍有限。新技術如自然語言處理和大型語言模型有潛力提升病人對報告的理解，但仍需更多研究。 PubMed DOI

這項研究評估了使用ChatGPT自動生成的醫學文本的準確性和易讀性。不同版本的磁共振成像（MRI）結果被創建並由醫學專業人員和患者評估。報告被發現一致地準確且易於理解，簡化版本對患者來說更容易理解。儘管簡化的報告有幫助，但並不能取代專家和患者之間進行詳細討論的必要性。 PubMed DOI

研究發現，使用人工智慧大型語言模型（AI-LLM）分析放射學報告，能有效提升易讀性。簡化專業術語後，報告的易讀性和準確性均有所提升。這項研究顯示，AI-LLM對於幫助患者更好理解放射學報告具有重要價值。 PubMed DOI

研究發現，使用人工智慧大型語言模型（AI-LLM）幫助患者理解膝蓋放射學報告效果顯著。報告變得更易懂，但仍可能有錯誤。建議醫師與患者一同檢視和討論報告，AI-LLM可作為提升患者理解的有用工具。 PubMed DOI

研究評估AI生成的放射學報告在摘要、友善度和建議方面的效果，並檢視報告質量和準確性。分析685份脊椎MRI報告，AI生成報告表現良好，友善度提升，但也發現部分翻譯問題。結論指出，AI助手可提升報告品質、效率，並推動以病患為中心的放射學護理。 PubMed DOI

這項研究探討了人工智慧大型語言模型（AI-LLM）在改善手部和手腕影像學報告可讀性上的效果。研究分析了300份報告，並要求AI用簡單語言解釋。結果顯示，AI生成的報告可讀性顯著提升，達到八年級以下的閱讀水平。X光報告的準確性評分為4.1，CT和MRI則為3.9。雖然AI有少量不準確內容，但整體上顯示出AI-LLM在幫助病人理解醫學影像結果方面的潛力。 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），如ChatGPT和Claude，在脊椎病理的外科決策及放射影像解讀的有效性，並與經驗豐富的脊椎外科醫生進行比較。結果顯示，雖然LLMs能詳細描述MRI影像，但在準確識別病變及外科決策上表現不佳，準確率僅20%，遠低於外科醫生的100%。研究建議LLMs在輔助影像解讀和決策上有潛力，但需進一步發展以克服現有限制，並強調AI研究人員與臨床專家的合作重要性。 PubMed DOI

這項研究探討大型語言模型（LLMs）生成的簡化放射學報告對腫瘤科病人的影響，分為兩個階段進行。第一階段測試五種LLMs，結果顯示Claude Opus-Prompt 3表現稍佳。第二階段中，100名病人分為兩組，一組收到原始報告，另一組則收到簡化版本。調查結果顯示，簡化報告的病人對疾病理解更好，對醫療狀況感到更有信心。雖然少數報告需修正，但顯示LLMs能有效簡化醫療資訊，仍需人類監督。整體而言，研究建議LLMs可增強病人對健康資訊的理解。 PubMed DOI

本研究旨在開發一個標準化流程，利用大型語言模型（LLM）從腰椎MRI報告中提取數據，並評估其與專業評分的一致性。研究分析了230名慢性下背痛患者的數據，結果顯示模型在數據提取上表現優異，平均F1分數達0.96，但與專業評分的一致性僅為中等（kappa 0.424）。特別是在側凹狹窄的報告中，低報現象明顯，顯示出需要更客觀的數據提取方法。 PubMed DOI