原始文章

這項研究回顧了深度學習在成人急性缺血性中風影像學的應用，強調其在臨床決策中的潛力。研究分析了2016年至2024年間的文獻，發現大多數研究集中於中風病灶分割，其次是分類和預後預測。儘管深度學習已取得進展，但仍面臨標準化協議和數據集不足等挑戰。研究指出，公共數據集對AI模型開發至關重要，並強調AI在中風管理中的變革潛力及未來改進方向。 PubMed DOI ♡

站上相關主題文章列表

這篇論文回顧了人工智慧（AI）在缺血性中風影像學的進展，強調其在自動分割梗塞區域、大血管阻塞檢測及預測中風結果的應用。研究指出，機器學習（ML）和深度學習（DL）能提升診斷準確性，但仍面臨數據不足、模型可解釋性差及需即時更新等挑戰。此外，論文探討了大型語言模型的潛力，並強調建立大型公共數據庫的重要性。總之，儘管AI在缺血性中風管理上有潛力，但克服技術與實際挑戰對於臨床應用至關重要。 PubMed DOI

這項研究評估了人工智慧工具ChatGPT-4V在急性中風診斷中的有效性，透過分析530張MRI影像，包括266例中風和264例正常病例。主要發現顯示，ChatGPT-4V在識別中風影像的準確率為88.3%，正常影像為90.1%。在檢測擴散限制方面，準確率為79.5%，但對於受影響半球的識別僅為26.2%。總體而言，該工具的診斷敏感性為79.57%，特異性為84.87%，顯示其在中風診斷中輔助醫療專業人員的潛力。 PubMed DOI

這篇系統性回顧強調了人工智慧（AI）在醫療領域的進展，特別是2010至2023年間在醫學影像檢測骨折的應用。研究評估了各種AI模型，尤其是卷積神經網絡（CNN），在準確性、敏感性和特異性上優於傳統方法。回顧還探討了3D CT和MRI與AI演算法的整合，提升了診斷準確性和病人結果。此外，生成式AI和大型語言模型（LLMs）在合成數據和臨床模擬中的潛力也被提及。最後，文章指出了研究中的空白並建議未來的改進方向。 PubMed DOI

腦出血是一種危急的醫療狀況，需迅速診斷和治療。雖然CT掃描是關鍵，但在資源有限的情況下，經驗不足的放射科醫生可能影響診斷效果。本研究探討使用GPT-4模型來識別CT掃描中的腦出血，分析了208個掃描結果。GPT-4的整體識別率為72.6%，在硬膜外和腦實質內出血表現最佳，但在慢性硬膜下出血方面較差。放射科醫生對GPT-4的表現給予正面評價，顯示其在放射影像領域的潛力。 PubMed DOI

本研究評估了兩種AI模型（ChatGPT-4o和Claude 3.5 Sonnet）在檢測急性缺血性中風（AIS）方面的表現。分析了110例擴散加權影像（DWI），結果顯示Claude 3.5 Sonnet在靈敏度和特異性上均優於ChatGPT-4o，特別是在AIS的定位準確性上。雖然Claude 3.5 Sonnet的表現較佳，但兩者在準確性上仍有顯著限制，顯示出AI在臨床應用前需進一步發展。這強調了AI在放射診斷中的潛力與現階段的不足。 PubMed DOI

這項研究探討了大型語言模型（LLMs）在急性缺血性中風（AIS）病例中的應用，特別是機械性血栓切除術（MT）的適應性。研究分析了100名AIS患者的數據，LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示，該AI模型的整體準確率達88%，特異性96%，敏感性80%，曲線下面積為0.92，顯示出LLMs在整合醫療數據方面的潛力，並鼓勵進一步探索其在臨床的應用。 PubMed DOI

人工智慧（AI）在醫療保健，特別是重症醫療中，顯示出改善病人結果的潛力。本系統性回顧分析了1364篇文章，最終納入24項研究，涵蓋傳統模型、機器學習、深度學習及生成式AI等技術。研究結果顯示，AI能有效預測術後併發症、ICU入院等健康結果。雖然AI在護理領域展現潛力，但研究多樣性使得無法明確評估其有效性，未來需進一步探討AI對護理結果的影響。 PubMed DOI

這項研究開發了一個中風診斷與預測工具，利用ChatGLM-6B大型語言模型，透過分析電子健康紀錄和非對比電腦斷層掃描報告中的自由文本，來提升中風的檢測與治療。研究使用了1,885名患者的數據進行訓練和驗證，並在335名患者的外部測試中進行評估。結果顯示，內部驗證準確率高達99%，外部測試則為95.5%和79.1%。該模型在識別缺血性和出血性中風方面表現優異，並有潛力改善中風識別及患者預後。 PubMed DOI

腦血管疾病是全球第二大死亡原因，對殘疾影響深遠。本研究探討GPT-4在急診科神經科醫師處理急性缺血性中風的有效性，分析其建議與專家意見及實際治療結果的比較。研究回顧100名急性中風患者，結果顯示GPT-4的建議與專家意見高度一致，特別是在血管內血栓切除術方面表現優異。GPT-4在死亡預測上也表現良好，顯示其作為臨床決策支持工具的潛力，但也需注意其建議的侵略性，強調人類監督的重要性。未來需進一步驗證這些發現。 PubMed DOI

這篇評論探討人工智慧（AI）在血管炎診斷和預後預測中的應用。血管炎是一種罕見的炎症性疾病，診斷上常有挑戰。研究分析了2000至2024年間的46篇相關文獻，發現AI在川崎病的診斷準確率高達92.5%敏感度和97.3%特異度，預測模型也顯示良好表現。然而，其他血管炎類型的研究較少，且樣本量小。總體來看，AI能顯著提升血管炎的診斷與預測，但仍需更多數據和驗證以擴大應用。 PubMed DOI