這項研究評估了 ChatGPT 和 Google Bard 兩個大型語言模型在婦科癌症管理問題上的表現。結果顯示，這兩個模型對於一些常見問題的回答大多準確，如子宮頸癌篩檢和 BRCA 相關問題。然而，面對更複雜的案例時，它們的表現較差，常缺乏對地區指導方針的了解。儘管如此，這些模型仍能提供病人和照護者在管理和後續步驟上的實用建議。結論指出，LLMs 雖無法取代專業醫療建議，但可作為輔助工具，提供資訊和支持。 PubMed DOI

多學科腫瘤委員會由各類醫療專家組成，對癌症患者的治療計畫至關重要，雖然面臨物流和財務挑戰，但仍能顯著提升生存率。本研究評估大型語言模型在頭頸部腫瘤委員會的推薦程序有效性，使用參數高效微調和上下文學習等方法。結果顯示，治療方案一致性達86%，醫學上可辯護的建議達98%。參數高效微調表現優於上下文學習，且較大商業模型通常效果更佳。建議增強數據集並納入更新指導方針，以提升模型在醫療決策中的準確性，值得進一步研究。 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

這項研究評估了大型語言模型（LLMs）在複雜婦科癌症案例中的表現，主要針對三個模型：ChatGPT-4、Gemini Advanced和Copilot。研究使用了十五個臨床案例，六位專家根據多項指標評估模型的回應。結果顯示，Gemini Advanced的準確率最高，達81.87%，而ChatGPT-4和Copilot分別為61.60%和70.67%。雖然ChatGPT-4在遵循治療指導方針上稍好，但Gemini Advanced在答案的深度和焦點上更具優勢。研究指出，這些模型在婦科腫瘤學的臨床應用中有潛力，但仍需進一步精煉和評估。 PubMed DOI

這項研究評估了專有與開放的大型語言模型（LLMs）在分析胰臟癌放射學報告的有效性，重點在於疾病的存在、位置及治療反應。研究分析了203份去識別化的報告，使用了GPT-4、GPT-3.5-turbo及開放模型如Gemma-7B和Llama3-8B。結果顯示，GPT-4在確定疾病狀態上準確率最高，達75.5%。開放模型在某些方面表現不如專有模型，但仍具潛力，特別是在專有模型無法使用時。這項研究為未來腫瘤學領域的LLM研究提供了重要資源。 PubMed DOI

這項研究評估了四個大型語言模型（LLMs）在前列腺癌治療相關的資訊檢索和風險評估任務中的表現，特別針對第四期患者。研究使用350份模擬報告，並針對三個風險評估任務和七個資訊檢索任務進行評估。結果顯示，所有模型在資訊檢索任務中表現良好，但在風險評估上差異明顯，ChatGPT-4-turbo表現最佳。儘管結果令人鼓舞，研究仍提醒可能的誤解會影響臨床決策，並呼籲進一步研究以驗證結果的普遍性。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

這項研究探討大型語言模型（LLMs）在預測病人術後風險的應用，分析了2018至2021年間的84,875份術前臨床筆記。結果顯示，LLMs在預測準確度上顯著優於傳統技術，AUROC提升了38.3%，AUPRC增長33.2%。透過自我監督微調，AUROC和AUPRC分別再增長3.2%和1.5%。加入標籤後，AUROC和AUPRC也有進一步提升。這些結果顯示LLMs在術後風險預測中具備重要應用潛力。 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