這項研究探討大型語言模型（LLMs）在從非結構化放射報告中提取臨床數據的效果，專注於七種肺部疾病。研究分析了1,800份報告，並使用Google Gemini Pro 1.0、OpenAI的GPT-3.5和GPT-4進行數據提取。結果顯示，所有模型的準確率都很高，特別是GPT-4的表現最佳，敏感性和特異性均達到優秀水準。這些結果顯示，LLMs，尤其是GPT-4，可能成為醫生進行病歷審查的有效替代方案，提升非結構化放射數據的提取能力。 PubMed DOI

本研究探討大型語言模型（LLMs）在從放射科報告中提取額外影像檢查建議（RAIs）的有效性。研究回顧了250份報告，確認231份包含RAIs，並使用自然語言處理算法進行分析。結果顯示，GPT-4在提取RAI檢查方式、身體部位和時間框架方面的準確率均優於GPT-3.5，顯示出LLMs在確保影像檢查建議及時完成的潛力，可能有助於減少診斷延遲。 PubMed DOI

這項研究強調了人工智慧，特別是GPT-4模型，在腰椎融合手術的證據基礎醫學指導方針中的應用潛力。根據報導，北美脊椎學會成員的符合率僅為60%。研究使用17個臨床案例評估GPT-4的表現，結果顯示其在88.2%的案例中與指導方針一致，顯示出顯著的關聯性。此外，GPT-4的回答互查可靠性也顯示出良好的協議。這表明GPT-4等人工智慧模型可能成為提升脊椎手術臨床指導遵循的重要工具，並有助於改善病人治療結果。 PubMed DOI

最近大型語言模型（LLMs）如GPT-3.5和GPT-4在醫療領域的應用引起關注。本研究比較了這些模型在註解放射學報告及生成胸部CT印象的表現，旨在協助醫療專業人員處理日常文檔任務。研究使用了上下文學習和檢索增強生成等方法，並透過多種指標進行評估。結果顯示，GPT-4在性能上優於GPT-3.5，且提示設計對結果影響顯著。研究建議在醫療實踐中整合這些先進模型，以提升文檔效率與準確性。 PubMed DOI

這項研究探討了一個基於GPT-4的大型語言模型（LLM）在評估肌肉骨骼MRI掃描請求的有效性，特別針對放射學領域。這個模型結合了來自33項美國放射學會的適當性標準，並在70個虛構案例上測試。結果顯示，優化後的LLM準確率達92.86%，明顯優於基準模型和標準GPT-4，且在處理臨床資訊不足的案例時特別有效。這顯示出其在放射學臨床決策支持中的潛力。 PubMed DOI

這項研究評估人工智慧（AI）是否能幫助病人理解脊椎MRI報告，因為這些報告常用複雜的醫學術語。研究在2024年進行，參與者為102名即將接受脊椎MRI的成人病人。結果顯示，病人對AI解讀的理解度、清晰度及醫療參與度均顯著高於原始報告，且AI解讀的準確性也相當不錯。雖然AI解讀提升了病人的理解與滿意度，但仍有部分解讀不準確，顯示未來仍需持續研究。 PubMed DOI

這項研究針對腰椎孔狹窄（LFS）的評估，使用了GPT4LFS模型來改善傳統MRI報告的效率。研究分析了1,200名患者的MRI數據，並利用深度學習技術進行影像處理和醫學文本理解。結果顯示，GPT4LFS模型在內部測試中的準確率達93.7%，外部測試為92.2%，表現與專業醫師相當。這項技術有助於提升診斷效率，並減少對手動標註的需求，完整程式碼將於發表後上傳至GitHub。 PubMed DOI

這項研究發現，ChatGPT-4o在診斷肝臟局部病灶時，表現大致和資淺放射科醫師差不多，但還是比不上有經驗的醫師。把ChatGPT-4o加入診斷流程，也沒明顯提升醫師的診斷表現。總結來說，目前大型語言模型對診斷這類疾病的幫助有限，準確度還有待加強。 PubMed DOI

這項研究發現，GPT-4o自動產生的膝關節MRI報告，不僅比GPT-4o-mini更準確，還能幾乎完美預測骨關節炎嚴重程度。骨科醫師也認為這些AI報告更好用、審閱更快。整體來說，GPT-4o有機會幫助醫師減少文書工作，提升臨床效率。 PubMed DOI

這項研究發現，Meta 的 Llama 3.1 大型語言模型，只用提示詞就能準確從放射科報告中擷取脊椎壓迫性骨折資訊。測試 637 份 CT 報告時，Llama 3.1 70B 加上醫師寫的背景提示詞，F1 分數高達 0.91，效果幾乎和 LLM 產生的提示詞一樣好。加入 few-shot 範例效果不一。顯示開源 LLM 幾乎不用人工處理就能結構化放射科資料。 PubMed DOI