CALLM: Enhancing Clinical Interview Analysis through Data Augmentation with Large Language Models.
CALLM：透過大型語言模型進行數據增強以提升臨床訪談分析。 IEEE J Biomed Health Inform 2024-07-29

全球心理健康障礙的盛行率持續上升，造成數兆美元的經濟負擔。自動化心理健康診斷面臨挑戰，因臨床數據稀缺影響機器學習效能。本文介紹CALLM框架，透過大型語言模型進行「病人-醫生角色扮演」，生成合成數據。此外，提出「教科書-任務-應用」分區法，系統性創建臨床訪談數據集，並開發「回應-理由」提示工程範式。使用微調的DistilBERT模型，CALLM在測試中表現優異，顯示出在零樣本和少樣本學習中的強大適應性，且生成的合成數據集性能超越傳統方法，成本不到1%。 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

Multifocal region-assisted cross-modality learning for chest X-ray report generation.
多焦區域輔助的跨模態學習於胸部 X 光報告生成。 Comput Biol Med 2024-10-22

隨著心血管疾病、腫瘤等慢性病的增加，研究人員開始探索生成醫療報告的新方法。近期的研究聚焦於利用大型跨模態模型和自然語言生成技術，來縮短視覺數據（如X光影像）與文本之間的差距。為了解決這些挑戰，我們提出了多焦點區域輔助報告生成網絡（MRARGN），結合ResNet-50模型及注意力機制，提升跨模態信息的匹配，並生成詳細的醫學文本描述。實驗結果顯示，MRARGN在醫療報告生成上表現優於多種現有方法，證明其有效性。 PubMed DOI

Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: A data-driven approach for improved classification.
利用隱私保護的大型語言模型和多類型註釋增強胸部 X 光數據集：一種數據驅動的改進分類方法。 Med Image Anal 2024-11-15

在胸部X光片的分析中，傳統的標註系統多半只能提供簡單的存在與否標籤，缺乏靈活性。為了解決這個問題，我們推出了MAPLEZ，這是一種利用大型語言模型的創新方法，能從CXR報告中提取更詳細的資訊，包括發現的位置、嚴重程度及醫生的不確定性。研究顯示，MAPLEZ在標註質量上有顯著提升，宏觀F1分數提高3.6%，位置標註更是提升超過20%。此外，結合這些標註後，分類性能也有明顯改善。我們還提供了代碼和標註的訪問權限。 PubMed DOI

Generating Synthetic Healthcare Dialogues in Emergency Medicine Using Large Language Models.
利用大型語言模型生成急診醫學中的合成醫療對話。 Stud Health Technol Inform 2024-11-22

自然語言處理（NLP）在放射學等領域展現了將非結構化數據轉為結構化格式的潛力，但隱私問題使得數據集獲取困難。我們的目標是利用大型語言模型（LLMs）從救護人員與病人對話中提取醫療資訊，以填寫緊急應變程序表格。為此，我們開發了一個流程，使用"Zephyr-7b-beta"生成初步對話，再用GPT-4 Turbo進行精煉。初步結果顯示，"Zephyr-7b-beta"的準確率為94%，但經過精煉後略降至87%。這些結果顯示LLMs在醫療對話生成中的潛力與挑戰。 PubMed DOI

Extraction of clinical data on major pulmonary diseases from unstructured radiologic reports using a large language model.
使用大型語言模型從非結構化放射學報告中提取主要肺部疾病的臨床數據。 PLoS One 2024-11-25

這項研究探討大型語言模型（LLMs）在從非結構化放射報告中提取臨床數據的效果，專注於七種肺部疾病。研究分析了1,800份報告，並使用Google Gemini Pro 1.0、OpenAI的GPT-3.5和GPT-4進行數據提取。結果顯示，所有模型的準確率都很高，特別是GPT-4的表現最佳，敏感性和特異性均達到優秀水準。這些結果顯示，LLMs，尤其是GPT-4，可能成為醫生進行病歷審查的有效替代方案，提升非結構化放射數據的提取能力。 PubMed DOI

CXR-LLaVA: a multimodal large language model for interpreting chest X-ray images.
CXR-LLaVA：一種用於解讀胸部 X 光影像的多模態大型語言模型。 Eur Radiol 2025-01-15

這項研究開發了一個名為CXR-LLaVA的開源多模態大型語言模型，專門用來解讀胸部X光影像並生成放射科報告。研究人員在包含374,881張標記影像的數據集上預訓練視覺變壓器，並結合大型語言模型進行微調，使用217,699份報告來提升生成準確性。CXR-LLaVA在內部測試中達到平均F1分數0.81，並在外部測試中為0.56，顯示出超越其他先進模型的潛力。該模型的報告準確率為72.7%，顯示出自動報告的可行性，並強調開源對進一步研究的重要性。 PubMed DOI

Targeted generative data augmentation for automatic metastases detection from free-text radiology reports.
針對自由文本放射學報告自動檢測轉移的目標生成數據增強。 Front Artif Intell 2025-02-21

這項研究探討如何利用電子健康紀錄，特別是放射學報告，自動識別癌症患者的轉移部位。研究人員運用自然語言處理技術，透過大型語言模型Llama3生成合成訓練數據，來增強有限的數據集，並訓練較小的BERT模型。他們發現針對性的數據增強技術能有效提升檢測肺部、肝臟和腎上腺轉移的F1分數。此外，研究比較了標準化與非結構化報告在轉移識別上的準確性，結果顯示結合患者歷史與量身定制的模型能顯著提升性能。整體而言，這項研究提供了一種可擴展且具成本效益的方法，無需對不同機構進行廣泛的定制。 PubMed DOI

Enhancing Large Language Models with Retrieval-augmented Generation: A Radiology-specific Approach.
強化大型語言模型的檢索增強生成：一種放射科特定的方法。 Radiol Artif Intell 2025-03-12

這篇文章探討了一項研究，分析檢索增強生成（RAG）如何提升大型語言模型（LLMs）在放射學的表現。RAG 讓 LLMs 能夠即時訪問更新的知識庫，無需微調即可生成準確答案。研究中使用了來自 *RadioGraphics* 的 3,689 篇文章作為數據庫，並評估了五種 LLMs 在192道放射學考題中的表現。結果顯示，RAG 顯著提升了 GPT-4 和 Command R+ 的得分，特別是在與 *RadioGraphics* 相關的問題上，成功檢索並引用了相關資料。整體而言，RAG 在放射學任務中展現了提升 LLM 能力的潛力。 PubMed DOI

[Integration of large language models into the clinic : Revolution in analysing and processing patient data to increase efficiency and quality in radiology].
大型語言模型在臨床中的整合：革命性地分析和處理患者數據，以提高放射學的效率和質量。 Radiologie (Heidelb) 2025-03-12

大型語言模型（LLMs）如ChatGPT、Llama和Claude，正在改變醫療保健，特別是在放射科。最近，弗賴堡和巴塞爾大學醫院的研究顯示，這些系統能有效整合影像存檔與傳輸系統（PACS）和電子健康紀錄（EHR），提升醫師效率，縮短報告時間，並自動化例行任務。研究結果顯示，LLMs不僅提高了診斷質量，還促進了跨學科合作。未來應著重增強透明度和擴大應用範圍，確保遵守倫理和法律標準。 PubMed DOI

原始文章

站上相關主題文章列表