OligoM-Cancer平台的開發目的是為了解決寡轉移性癌症（OMC）的理解與治療挑戰。相較於多轉移性癌症，OMC對局部治療的反應較佳，但相關研究仍然不足，因此需要更系統的比較與個性化治療。該平台提供有關OMC的標記、診斷、預後及治療選項的全面資源，並擁有1345篇文獻和393個相關因素的資料庫。OligoM-Cancer利用現代網路技術，旨在提升數據可解釋性，增強臨床實踐，並支持大型語言模型在OMC領域的應用，促進深入分析與提高治療可靠性。 PubMed DOI

這項研究探討如何利用高通量篩選癌細胞株來預測藥物敏感性，並改善抗腫瘤療法。研究人員結合細胞株的轉錄組學和大型語言模型，成功將藥物與其作用機制連結。結果顯示，重要基因與藥物作用機制有顯著關聯，證明模型能有效捕捉影響治療結果的因素。研究還驗證了對胰臟癌和膠質母細胞瘤患者有效的藥物，顯示整合轉錄組數據和建模技術在個性化癌症治療中的潛力。 PubMed DOI

病人衍生癌症模型（PDCMs）在癌症研究中越來越重要，相關文獻在過去十年顯著增加。本研究探討大型語言模型（LLMs）在自動提取與PDCM相關的科學文本實體的應用，評估了直接提示和軟提示兩種方法。研究使用了先進的LLMs，包括GPT4-o和LLaMA3系列的開放模型。結果顯示，雖然GPT4-o在直接提示下表現不錯，但軟提示顯著提升了較小開放模型的性能，使其結果可與專有模型媲美。本研究強調了LLMs在專業文本提取中的有效性，以及根據任務和模型類型調整方法的重要性。 PubMed DOI

這項研究探討生成大型語言模型（LLMs），特別是GPT，在癌細胞系藥物敏感性預測（DSP）中的應用。研究調整了提示工程技術，提升GPT在藥物基因組學數據上的表現，並與現有基準比較。 主要發現包括： 1. 開發三種提示模板，提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數，表現最佳。 3. GPT在GDSC數據集上F1分數提高16%，展現強大泛化能力。 4. 提供藥物與通路關聯的見解，與先前發現一致。 總體而言，研究顯示GPT可作為精準腫瘤學的有效工具，改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI

這項研究提出了一個名為ICGI（整合性因果基因識別）的新框架，透過整合多種組學數據來識別與癌症相關的基因。傳統方法常因依賴一般化的相關性而產生偏差，未考慮混淆因素。ICGI利用大型語言模型（LLM），結合因果提示和數據驅動的特徵選擇，提升癌症基因識別的準確性。該框架在《癌症基因組圖譜》中測試了六種癌症的轉錄組數據，表現優於現有方法。此外，還開發了線上平台，讓用戶能輸入基因和癌症類型，自動評估基因的重要性，並提供清晰的解釋。不過，研究也指出目前的LLMs可能無法完全捕捉所有相關信息。 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

研究發現，GPT-4在從乳癌和胰臟癌病歷中擷取腫瘤特徵及用藥資訊表現最佳，但遇到複雜推理時仍會出錯或資訊不完整。雖然大型語言模型有潛力協助臨床資料整理，但目前準確度還不夠，未來還需改進才能真正應用在臨床研究和照護上。 PubMed DOI

這項研究用大型語言模型（像是 Copilot、ChatGPT Plus、Perplexity Pro）生成227份腫瘤病理報告的合成資料集，涵蓋前列腺癌、肺癌和乳癌，惡性與良性比例平均。資料集經專業癌症登記員驗證，完全沒用到真實病患資料，可作為AI病理報告分類的標準測試集，兼顧隱私與可重現性。 PubMed DOI

這項研究發現，開源大型語言模型（LLMs）能準確從電子病歷的病理報告中，萃取癌症和異型增生等重要診斷，連複雜案例也適用。只用簡單「是/否」提示，在美國退伍軍人健康管理局資料庫中，診斷準確率超過93%。這方法不但省資源、設定簡單，還能大規模應用，對臨床和研究都很有幫助。 PubMed DOI

這項研究開發出一套高準確度、非侵入性、無輻射的機器學習模型，能用電子病歷資料提早預測大腸直腸腺瘤。結合傳統機器學習和大型語言模型，模型在驗證和測試組的AUC都約0.98，表現非常優異。此模型也能找出關鍵風險因子，適合大規模篩檢，有助降低大腸癌發生率與死亡率。 PubMed DOI