研究使用OpenAI的GPT-4.0來自動分類口咽部鱗狀細胞癌的CLE影像，結果顯示GPT模型準確率為71.2%，人類專家為88.5%。GPT展現了在影像分類上的潛力，但仍需進一步研究驗證其在不同臨床情境下的準確性。 PubMed DOI

這篇論文探討大型基礎模型在醫學影像，特別是癌症分割的應用，如Segment Anything Model (SAM)。這些模型在自然語言處理和計算機視覺上取得進展，能提升癌症診斷的準確性和效率，並可整合進臨床工作流程中。 **潛在好處：** 1. 提高檢測準確性。 2. 自動化分割節省醫生時間。 3. 可適應多樣化數據集。 4. 提供即時協助。 **挑戰：** 1. 數據質量和可用性不足。 2. 模型泛化能力有限。 3. 可解釋性不足影響信任。 4. 監管和倫理問題需關注。 總之，雖然大型模型在癌症診斷上有潛力，但實施時需考量挑戰。 PubMed DOI

這篇文章介紹了一種名為知識感知注意力網絡（LKAN）的新技術，專門用於肝癌的臨床分期，這對於診斷和治療原發性肝癌非常重要。現有的分期系統依賴醫生解讀放射學報告，但面臨類別不平衡、專業術語處理困難及報告冗長等挑戰。LKAN結合大型語言模型和規則算法，增強數據多樣性，並在未標記的肝癌報告上進行預訓練，改善學習效果。結果顯示，LKAN的準確率達90.3%，表現優於基準模型，且代碼已在GitHub上公開。 PubMed DOI

這項研究探討了使用具視覺能力的GPT-4V進行醫學影像分類，特別是癌症組織病理學。傳統方法需大量標註數據和計算資源，而上下文學習則能從提示中學習，無需更新參數，這在醫學影像領域尚未普遍應用。研究評估了GPT-4V在結直腸癌組織亞型分類、結腸息肉亞型分類及淋巴結切片乳腺腫瘤檢測的表現，結果顯示其表現可與專門神經網絡媲美，甚至在樣本數量有限時更佳。這顯示通用AI模型在醫療影像分析中的潛力，特別對於缺乏技術專業知識的醫療人員。 PubMed DOI

肺癌，特別是非小細胞肺癌（NSCLC），對健康影響深遠，超過60%的患者需接受放射治療。及時治療能提高生存率，因此準確的腫瘤分割至關重要。傳統手動分割耗時且可能延誤治療。雖然已有深度學習模型，但假陽性率高。為解決此問題，我們開發了EXACT-Net，這是一個自動分割模型，結合電子健康紀錄（EHR）和預訓練的大型語言模型（LLM），有效減少假陽性，專注於真陽性結節。根據十名NSCLC患者的CT掃描數據，我們的方法成功檢測結節增長250%，顯示整合視覺與語言信息能顯著提升模型性能，為醫學影像的多模態AI應用開創新局。 PubMed DOI

這項研究探討六種多模態大型語言模型（MLLMs）在解讀喉癌手術影像的有效性。研究分析了50位病人的169張影像，提出1084個臨床問題來評估模型表現，並由兩位醫師獨立評估。結果顯示，Claude 3.5 Sonnet的準確率最高，達79.43%。不同影像類型及商業模型與開源模型之間的表現差異明顯，最佳商業模型的表現比其他模型高出19個百分點。研究指出，雖然MLLMs在手術決策支持上有潛力，但仍需針對特定需求進行開發，並整合進臨床流程。未來應著重於利用多中心數據集來創建專門針對喉癌的MLLMs。 PubMed DOI

這項研究評估了具影像識別功能的 ChatGPT 4.0 在診斷鱗狀細胞癌 (SCC) 和白斑病的能力，分析了 45 張影像。結果顯示，ChatGPT 4.0 能準確識別白斑病，但對 SCC 的診斷能力有限，需結合臨床病史才能提高準確性。僅依臨床病史時，白斑病和部分 SCC 的誤分類情況明顯。整體而言，雖然在白斑病檢測上有潛力，但對於口腔及咽喉部的 SCC 診斷仍不可靠，未來技術進步可能改善其臨床應用。 PubMed DOI

子宮頸癌是全球健康的重要議題，尤其在資源有限的地區。這項研究探討大型語言模型（LLMs）在子宮頸癌管理中的潛力，評估了九個模型的準確性和可解釋性。結果顯示，ChatGPT-4.0 Turbo表現最佳，得分為2.67，顯示其在提供可靠回應方面的有效性。研究還利用LIME增強模型的可解釋性，對醫療專業人員建立信任至關重要。雖然專有模型表現良好，但醫學專用模型的表現未如預期，未來仍需進一步研究以了解LLM在醫療中的應用。 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

本研究針對肝癌診斷提出一個結合大型與小型模型的輔助工具，旨在提升基層醫療醫生的診斷能力。透過開發更準確的肝腫瘤與血管分割模型，並整合患者醫療紀錄，這個框架能有效改善影像分析的準確性。結果顯示，小型模型在分割表現上有所提升，而大型模型則在醫生評估中獲得更高分數。此研究不僅優化了診斷過程，還增強了模型的可靠性與可解釋性，減少了錯誤推理的情況。 PubMed DOI