Local large language models for privacy-preserving accelerated review of historic echocardiogram reports.
本地大型語言模型用於隱私保護加速審查歷史心臟超聲報告。 J Am Med Inform Assoc 2024-04-30

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

Fine-Tuned Large Language Model for Extracting Patients on Pretreatment for Lung Cancer from a Picture Archiving and Communication System Based on Radiological Reports.
基於放射學報告的圖像存檔和通訊系統，用於提取肺癌預處理患者的精細調校大型語言模型。 J Imaging Inform Med 2024-07-02

這項研究比較了一個經過微調的大型語言模型（LLM）與放射科醫師在從放射學報告中識別肺癌預防治療患者方面的表現。LLM在分類患者方面表現出高準確度和敏感度，與放射科醫師相似，但處理時間更快。研究結果表明，LLM能夠有效地及時從醫療記錄中提取相關信息。 PubMed DOI

Generating colloquial radiology reports with large language models.
利用大型語言模型生成口語化的放射學報告。 J Am Med Inform Assoc 2024-08-23

隨著患者能更直接獲取醫療紀錄，放射科報告中的醫學術語卻常讓人困惑。為了解決這個問題，我們提出利用大型語言模型（LLM）自動生成更易懂的報告翻譯。我們在100份去識別化的神經放射科報告上進行測試，並在不同閱讀水平上生成翻譯。結果顯示，翻譯的準確率和可讀性均優於傳統方法，特別是在第八年級閱讀水平上，準確率分別達到88%和93%。這種方法不僅增強了患者的理解，也不會顯著增加醫生的工作負擔。 PubMed DOI

Constructing a Large Language Model to Generate Impressions from Findings in Radiology Reports.
構建大型語言模型以從放射學報告中的發現生成印象。 Radiology 2024-09-17

這項研究開發了一個大型語言模型（LLM），能根據影像生成放射學印象，並評估其專業及語言表現。研究在上海總醫院進行，六位放射科醫生使用該模型並進行修正。LLM在20 GB醫學及一般文本數據上預訓練，並用1.5 GB數據微調，包含800份放射學報告。結果顯示，LLM的中位召回率為0.775，精確度0.84，F1分數0.772，表現良好。專家對其印象評價高，顯示其在放射學檢查中具專業性。 PubMed DOI

Privacy-preserving large language models for structured medical information retrieval.
隱私保護的大型語言模型在結構化醫療信息檢索中的應用。 NPJ Digit Med 2024-09-20

這項研究介紹了一個開源流程，利用本地的大型語言模型（LLM）"Llama 2" 從臨床文本中提取定量數據，專注於識別失代償性肝硬化的特徵。研究在MIMIC IV數據集中測試500名患者的病歷，成功識別五個關鍵臨床特徵，敏感度達100%，特異度96%。此外，對其他病症的檢測也相當高，顯示出本地部署的LLM在提取臨床信息方面的有效性，且硬體需求低。 PubMed DOI

Automatic structuring of radiology reports with on-premise open-source large language models.
使用本地開源大型語言模型自動結構化放射科報告。 Eur Radiol 2024-10-10

放射學中的結構化報告在可比性、可讀性和細節上有明顯優勢，但其採用仍然有限。本研究探討了一種本地托管的語言模型，能將自由文本的放射報告轉換為結構化數據，且不影響放射科醫師的工作流程。研究結果顯示，該模型生成的結構化報告在英語和德語的準確性接近人類讀者，顯示出良好的性能。結論指出，為了提高結構化報告的採用，需加強自動化系統與臨床流程的整合，讓醫師能在報告過程中受益於結構化數據。 PubMed DOI

Automated anonymization of radiology reports: comparison of publicly available natural language processing and large language models.
放射科報告的自動匿名化：公開可用的自然語言處理與大型語言模型的比較。 Eur Radiol 2024-10-31

這項研究分析了不同的自然語言處理（NLP）模型和大型語言模型（LLM）在放射科報告中匿名化個人健康資訊（PHI）的效果，並遵循HIPAA法規。研究發現，兩個NLP模型成功移除了所有日期、醫療紀錄號碼和檢查號碼，而LLM在日期的移除效果較差。針對準確性優化的NLP模型表現最佳，達到完美的F1分數。研究結論指出，預訓練的NLP模型在不影響臨床數據的情況下，更有效地進行匿名化，LLM則可能意外刪除重要資訊，強調了可靠的PHI匿名化對醫療應用的重要性。 PubMed DOI

Large Language Model Ability to Translate CT and MRI Free-Text Radiology Reports Into Multiple Languages.
大型語言模型將 CT 和 MRI 自由文本放射學報告翻譯成多種語言的能力。 Radiology 2024-12-17

這項研究評估大型語言模型（LLMs）在翻譯放射科報告的效果。由於合格翻譯者不足，這對病人護理造成挑戰。研究團隊將100份合成報告翻譯成九種語言，並使用十個LLM進行自動翻譯，結果由18位放射科醫生評估。發現GPT-4的翻譯品質最佳，特別是在英德、英希、英泰和英土語言對上表現突出。雖然LLMs在清晰度和一致性上表現良好，但醫學術語的準確性仍需改進。總體來說，LLMs能有效翻譯放射科報告，但不同模型和語言的表現有所差異。 PubMed DOI

Privacy-ensuring Open-weights Large Language Models Are Competitive with Closed-weights GPT-4o in Extracting Chest Radiography Findings from Free-Text Reports.
保障隱私的開放權重大型語言模型在從自由文本報告中提取胸部放射影像發現方面與封閉權重的 GPT-4o 具競爭力。 Radiology 2025-01-14

這項研究探討了開放權重的大型語言模型（LLMs）在從放射科報告中提取結構化內容的效果，並與傳統的規則系統及封閉權重模型（如GPT-4）進行比較。研究結果顯示，GPT-4o在英語報告中表現最佳，F1分數達92.4%，而Mistral-Large在德語數據集中也表現優異。當使用1000份報告進行微調時，開放權重LLMs的表現顯著超過BERT。結論指出，開放權重模型在結構化報告數據方面具有效能，特別是在中等數據量微調時。 PubMed DOI

Large language models for error detection in radiology reports: a comparative analysis between closed-source and privacy-compliant open-source models.
大型語言模型在放射科報告中的錯誤檢測：封閉源與符合隱私的開源模型之間的比較分析。 Eur Radiol 2025-02-20

這項研究探討了符合隱私要求的開源大型語言模型（LLMs）在檢測放射科報告錯誤的有效性，並與商業封閉源模型比較。分析了120份報告，發現封閉源模型（如GPT-4）在錯誤檢測率上優於開源模型，分別為88%和79%。不過，開源模型的處理時間較短，每份報告僅需6秒。研究結論指出，開源模型雖然有效，但準確性尚未達到封閉源模型的水準，未來有潛力在保護病人隱私的同時提升臨床工作流程。 PubMed DOI

原始文章

站上相關主題文章列表