這項研究評估了GPT-4在神經放射學中生成鑑別診斷的效果，並與專業神經放射科醫師進行比較。研究分析了60份報告，結果顯示GPT-4在61.7%的案例中正確包含實際診斷，而醫師的準確率在63.3%到73.3%之間。GPT-4與醫師的協議程度被評為公平到中等。雖然GPT-4在輔助放射學工作上顯示潛力，但準確性仍不及人類專家，這強調了了解其局限性的重要性。 PubMed DOI

這項研究評估了一個安全的機構大型語言模型（LLM）在增強MRI脊椎檢查申請表及自動協議方面的效果。研究分析了218名患者的250份申請表，結果顯示LLM增強的申請表在臨床資訊充分性上達93.6-96.0%，遠高於臨床醫師的46.8-58.8%。LLM在78.4%的案例中提供正確的MRI協議建議，雖然低於放射科醫師的準確率，但在識別脊椎器械方面表現優異，準確率達95.1%。總體而言，LLM顯著提升了MRI申請表的質量，顯示出優化放射科醫師工作流程的潛力。 PubMed DOI

這項研究開發了一個基於BERT的大型語言模型，目的是透過整合MRI數據、文本報告和數值測量，提升腰椎疾病的診斷準確性。研究評估MRI影像的分割質量，並使用卷積神經網絡（CNN）提取關鍵特徵，如腰椎前凸角和椎間盤高度。數據集涵蓋28,065名患者，並透過CNN後處理精煉診斷標準。模型在514個經專家驗證的案例上進行外部驗證，顯示出高達0.9的分類性能，顯著提升腰椎疾病的診斷精度，支持更準確的治療計劃。 PubMed DOI

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

這項研究評估了大型語言模型（LLMs），如ChatGPT和Claude，在脊椎病理的外科決策及放射影像解讀的有效性，並與經驗豐富的脊椎外科醫生進行比較。結果顯示，雖然LLMs能詳細描述MRI影像，但在準確識別病變及外科決策上表現不佳，準確率僅20%，遠低於外科醫生的100%。研究建議LLMs在輔助影像解讀和決策上有潛力，但需進一步發展以克服現有限制，並強調AI研究人員與臨床專家的合作重要性。 PubMed DOI

本研究針對腰椎狹窄症（LSS）進行，目的是建立一個自動化放射報告生成系統，利用視覺語言模型簡化MRI診斷過程。我們使用生成圖像到文本模型，並透過GPT-4增強其理解能力。結果顯示，模型能生成語義準確且語法正確的報告，並在性能評估中表現良好。這項研究顯示視覺語言模型在醫學影像報告自動化中的潛力，可能有助於減輕放射科醫生的工作負擔。 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