Vision-Language Model for Generating Textual Descriptions From Clinical Images: Model Development and Validation Study.
從臨床影像生成文字描述的視覺-語言模型：模型開發與驗證研究。 JMIR Form Res 2024-02-25

這研究用預先訓練的視覺-語言模型，在放射學臨床影像上自動產生高品質文字報告。模型名叫ClinicalBLIP，用臨床影像轉文字資料集開發，強調深化語意理解和整合先前知識。實驗結果顯示，ClinicalBLIP比現有方法更優秀，展現在臨床上的應用潛力。 PubMed DOI

Exploring dermoscopic structures for melanoma lesions' classification.
探討皮膚鏡結構對黑色素瘤病變分類的影響。 Front Big Data 2024-04-09

黑色素瘤是一種致命的皮膚癌，常因曬太陽而起，早期檢查很重要。錯誤分類會降低存活率。研究指出，使用人工智慧來分類黑色素瘤病變，有助於提高準確性。未來需增加數據集，並自動計算皮膚鏡特徵。 PubMed DOI

Pre-trained multimodal large language model enhances dermatological diagnosis using SkinGPT-4.
使用 SkinGPT-4 預先訓練的多模式大型語言模型增強皮膚科診斷。 Nat Commun 2024-07-05

LLMs在醫學診斷上有潛力，尤其在皮膚科。SkinGPT-4結合視覺轉換器和LLM，訓練過大量數據後，能準確診斷皮膚問題。已通過真實案例驗證，可提供互動治療建議。 PubMed DOI

Quantifying decision support level of explainable automatic classification of diagnoses in Spanish medical records.
量化西班牙醫療紀錄中可解釋的自動診斷分類的決策支持水平。 Comput Biol Med 2024-09-13

本研究針對西班牙語電子健康紀錄（EHR）進行自動分類，並強調可解釋性的重要性。我們引入了一個新指標Leberage，來量化預測的決策支持水平，並評估三種解釋方法：SHAP、LIME和IG。使用長型變壓器處理長文檔，並識別影響ICD分類的相關文本片段。結果顯示，我們的方法在同樣任務上提升了7%的效果，且LIME的表現最佳。整體而言，這些技術有效闡明黑箱模型的輸出，Leberage指標則為可解釋性技術的貢獻提供了量化工具。 PubMed DOI

Interactive computer-aided diagnosis on medical image using large language models.
使用大型語言模型的醫學影像互動電腦輔助診斷。 Commun Eng 2024-09-16

這項研究提出了一種新方法，結合大型語言模型（LLMs）與電腦輔助診斷（CAD）網絡，提升胸部X光片的醫學影像分析。雖然LLMs在自然語言處理上表現優異，但在醫學影像上通常不佳。這個框架利用LLMs的優勢，改善CAD系統的診斷準確性和報告生成，讓報告品質更高。使用ChatGPT後，診斷表現提升了16.42個百分點，GPT-3則在F1-score上提高了15.00個百分點。這種創新方法有潛力改變臨床決策過程，並改善病患互動。 PubMed DOI

Enhancing the Interpretability of Malaria and Typhoid Diagnosis with Explainable AI and Large Language Models.
利用可解釋的人工智慧和大型語言模型增強瘧疾和傷寒診斷的可解釋性。 Trop Med Infect Dis 2024-09-27

這項研究探討熱帶地區診斷瘧疾和傷寒的挑戰，因為傳統方法在症狀重疊和藥物抗性上遇到困難。強調準確診斷的重要性以降低死亡率。雖然機器學習模型能提供準確預測，但缺乏透明度，讓醫療人員難以理解決策過程。研究採用可解釋的人工智慧技術，特別是LIME和大型語言模型（如GPT），來提升診斷的透明度。結果顯示隨機森林模型表現最佳，並提出整合這些技術的行動應用程式，雖然系統性能受限於數據質量和計算需求，但未來有潛力應用於其他醫療條件。 PubMed DOI

Learning to Explain is a Good Biomedical Few-Shot Learner.
學習解釋是一個優秀的生物醫學少量學習者。 Bioinformatics 2024-10-03

這篇論文探討了深度學習在生物醫學文本挖掘的進展，特別是獲取高品質標註數據的挑戰，如數據稀缺和隱私問題。作者提出了LetEx-Learning方法，將可解釋性融入少量樣本學習中，利用大型語言模型生成推理解釋，提升學習效果。實驗顯示，這種方法在低資源情況下的表現提升達6.41%。LetEx模型擁有2.2億參數，推理能力優於其他模型，源代碼已公開供研究使用。 PubMed DOI

A latent diffusion approach to visual attribution in medical imaging.
醫學影像中視覺歸因的潛在擴散方法。 Sci Rep 2025-01-06

這項研究提出了一種新型的生成視覺歸因技術，專為醫學影像設計，重點在於突顯與診斷相關的特徵，特別是異常情況下。不同於傳統方法，這種技術利用潛在擴散模型和大型語言模型生成正常影像，並與原始影像比較，以識別關鍵診斷組件。研究人員在COVID-19放射影像數據庫上測試，並使用多種指標評估影像質量。該系統還能進行零樣本局部疾病誘導，增強醫學影像的可解釋性。 PubMed DOI

Dermacen analytica: A novel methodology integrating multi-modal large language models with machine learning in dermatology.
Dermacen analytica：一種將多模態大型語言模型與機器學習整合於皮膚科的新方法。 Int J Med Inform 2025-03-28

這項研究提出了一種新穎的人工智慧方法，幫助皮膚科醫生診斷皮膚疾病，模擬專業診斷過程。它結合了影像分析、語言模型和機器學習工具，採用多種AI技術來提升決策能力。測試數據集顯示，準確率達87%，顯示出良好的推理和診斷能力。這項研究不僅驗證了AI在皮膚科的應用潛力，還提出了未來實施的策略框架，以改善病人經驗。 PubMed DOI

Evaluating Sex and Age Biases in Multimodal Large Language Models for Skin Disease Identification from Dermatoscopic Images.
評估多模態大型語言模型在從皮膚鏡影像識別皮膚疾病時的性別和年齡偏見。 Health Data Sci 2025-04-02

這項研究評估了多模態大型語言模型（LLMs）在識別皮膚疾病的應用，並檢視性別和年齡的偏見。研究中使用了ChatGPT-4和LLaVA-1.6，結果顯示它們的準確率和F1分數超過了多個深度學習模型，但仍低於最佳的視覺變壓器模型。值得注意的是，ChatGPT-4和LLaVA-1.6在性別和年齡方面沒有偏見，顯示出在皮膚科應用中的潛力。未來需進一步研究以確保這些模型在醫療中的可靠性與公平性。 PubMed DOI

原始文章

站上相關主題文章列表