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

這項研究著重於提升癌症病理報告的文本分段，使用經過微調的Longformer模型，能處理比傳統模型（如BERT）更長的文件。Longformer在504份標註報告上訓練，能準確識別診斷、附錄和臨床歷史等關鍵部分。與正則表達式和BERT QA等基準方法比較，Longformer在304份測試報告中的診斷F1分數為0.77，附錄0.48，臨床歷史0.89，整體分數0.68。結果顯示，微調的Longformer模型在分段準確性上有顯著提升，有助於後續分析。 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

這項研究用GPT-4o和Llama3.3等大型語言模型，測試它們在227份人工合成病理報告中辨識和分類癌症的能力。結果顯示，這些AI模型在準確率、敏感度和特異性上都比傳統方法更優秀，有機會讓癌症登記流程更快、更可靠，提升公共衛生和臨床照護品質。 PubMed DOI

這項研究利用先進的transformer模型（DNABERT-2和Nucleotide Transformer），有效區分癌症與非癌症基因突變。團隊結合真實與合成資料訓練，解決資料不平衡問題。結果顯示，這方法在各項指標上都比現有模型更優秀，有助提升基因分析準確度，未來有望推動個人化癌症治療發展。 PubMed DOI

這項研究用小型transformer和GPT-4o模型來分類醫學文獻，判斷是不是RCT和是否跟腫瘤學有關，兩種方法的準確率都很高，尤其是RCT分類F1分數超過0.9。之後再用簡單規則式，準確找出腫瘤學RCT的腫瘤類型，讓後續專業處理更有效率。 PubMed DOI

我們開發了一套用大型語言模型（LLMs）自動分類腫瘤臨床試驗和文獻的系統，在多個資料集和任務上都表現優異，準確率超過94%、F1-score超過92%，回應有效性最高達99.88%。雖然還有提示敏感度和運算資源的挑戰，但未來LLMs有望成為醫學文獻分類的重要工具。 PubMed DOI