研究利用大型語言模型和資訊提取系統辨識放射學報告中轉移部位，最佳模型F1分數為0.91，資訊提取系統更高達0.93。系統在不同癌症和驗證集有高準確性，發現第四期結腸癌和肺癌患者轉移模式不同。這有助於癌症研究和臨床試驗。 PubMed DOI

放射學報告傳統上是自由文本，提取臨床信息困難。結構化報告（SR）標準化且易檢索。研究提出從義大利放射學報告中提取淋巴瘤患者CT分期的流程。使用自然語言處理和Transformer模型自動填寫SR。IT5模型表現良好，與GPT-3.5相當。研究證明Transformer模型在臨床信息提取上有效。 PubMed DOI

介紹了一個新的乳腺癌分類模型，可以幫助辨識轉移性乳腺癌。這個BG-MBC模型結合了BERT和GNNs，能根據組織病理學報告預測MBC。透過語義信息和關鍵特徵，模型表現準確且效能優異。 PubMed DOI

這項研究評估大型語言模型（LLMs）在分析乳腺癌病理報告的有效性，特別是識別病理完全反應（pCR）。研究者使用兩種方法：提取不同變壓器模型的嵌入和微調GPT-2模型，分析351名接受新輔助化療的女性患者。優化後的結果顯示，敏感度達95.3%，陽性預測值90.9%，F1分數93.0%。這顯示LLMs在提取臨床數據上優於傳統機器學習模型，並強調其在改善病人護理和乳腺癌管理的潛力，但仍需進一步驗證以確保結果的可靠性。 PubMed DOI

在腫瘤學中，提取隨機對照試驗的納入和排除標準是一項複雜的任務，自動化方法能有效協助這項工作。一項研究分析了600個來自高影響力醫學期刊的試驗，發現500個用於模型開發，100個用於測試。測試結果顯示，基於規則的系統在局部疾病和轉移性疾病的F1分數分別為0.72和0.77，而基於變壓器的機器學習模型則達到0.97和0.88。大型語言模型GPT-4o也表現不錯，顯示自動化分類癌症試驗的可行性，雖然需要大量計算資源。 PubMed DOI

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

乳腺癌是全球女性常見的癌症，而MRI是活檢前重要的非侵入性診斷工具。本研究提出一種新方法，利用BI-RADS系統對乳腺MRI報告進行分類，透過大型語言模型將自由文本轉為結構化格式，並解決缺失的類別資訊。為保護病患資料，使用本地部署的Qwen-Chat模型，並透過專業提示增強模型適應性。結果顯示，這種新方法在各項指標上優於現有技術，並在不同醫院的測試中證實其穩健性。 PubMed DOI

乳腺癌是女性常見的癌症，早期準確診斷對提高存活率至關重要，但現有影像學方法常無法達到預期效果。大型語言模型（LLMs）利用先進技術，能分析大量醫療數據，幫助早期診斷並提供個性化治療策略。不過，LLMs在乳腺癌管理中仍面臨數據敏感性、算法透明度及倫理等挑戰。研究顯示，LLMs能顯著提升診斷效率、臨床信任度及患者教育質量，顯示其在乳腺癌精準醫療中的潛力。 PubMed DOI

乳癌重建在癌症治療中扮演重要角色，通常與手術同時進行以促進病人恢復。本研究提出一個新框架，利用自然語言處理（NLP）和大型語言模型（LLMs），增強病人的恢復預測。透過BioBERT進行數據處理，並使用ChatGPT-4和Gemini提供個性化的重建成功率和併發症見解。研究顯示，這些模型的準確率高達98.4%和98.7%，並能有效預測術後情況，提升病人生活品質。這項技術結合了計算與生命科學，為臨床醫生提供強大工具。 PubMed DOI

本研究探討了深度學習模型在預測晚期上皮性卵巢癌患者手術結果的有效性，特別是使用非結構化的手術筆記。評估了RoBERTa和GatorTron兩個模型，結果顯示GatorTron在大多數任務中表現優於RoBERTa，顯示專為醫療設計的模型在理解醫療語言上有明顯優勢。不過，兩者在預測術後併發症和住院時間時仍面臨挑戰，顯示手術文本不足以全面反映術後恢復的複雜性。這些發現對提升患者護理質量的醫療AI系統發展至關重要。 PubMed DOI