這項初步研究探討了一個檢索增強生成（RAG）大型語言模型（LLM）系統在改善醫學影像報告的效果，特別針對正電子發射斷層掃描（PET掃描）。透過整合超過10年的PET報告數據，這個自訂的LLM框架能根據相似性進行檢索，並生成具上下文的答案。經驗豐富的核醫學醫師評估後發現，84.1%的檢索案例相關，RAG系統在建議潛在診斷上表現優於傳統LLM，顯示出在醫學影像實務中AI工具的潛力。 PubMed DOI

這項研究顯示生成式人工智慧在自動化將非結構化病理報告轉為結構化格式方面的有效性，特別針對台北醫學大學醫院的乳腺癌報告。研究人員使用ChatGPT大型語言模型，透過Streamlit網頁應用程式達到99.61%的準確率，並顯著縮短處理時間，優於傳統方法。雖然目前僅限於單一機構及乳腺癌報告，但未來計畫將擴展至其他癌症類型並進行外部驗證，以確保系統的穩健性。總體而言，這顯示人工智慧能有效提升病理報告處理效率，促進生物醫學研究的進步。 PubMed DOI

病理科部門產生大量非結構化數據，主要以自由文本的診斷報告形式存在，轉換成結構化格式需要大量人力。雖然先進的語言模型能協助此任務，但專有模型可能引發成本和隱私問題。我們創建了一個包含579份德文和英文病理報告的數據集，評估了六個語言模型的提取能力。研究顯示，開源模型在提取結構化數據方面的精度與專有模型相當，且具成本效益和隱私保護潛力，為醫療機構提供了重要見解。 PubMed DOI

這項研究探討使用本地部署的大型語言模型（LLM）自動回答醫療問題，特別針對甲狀腺癌的外科病理報告。研究比較了LLM與人類審閱者在提取關鍵資訊的表現。結果顯示，人類審閱者的一致率高達99%，而LLM的平均一致率為89%。在效率方面，LLM回答問題的時間約19.56分鐘，遠低於審閱者的170.7分鐘和115分鐘。研究顯示LLM能有效協助醫療問題回答，並有潛力進一步改善數據提取能力。 PubMed DOI

研究團隊開發了一套新方法，訓練出比傳統關鍵字或現有語意模型更準確的放射科報告搜尋系統 RadSearch。這系統在臨床應用上表現更好，結合大型語言模型後，診斷也更精確，有助提升臨床效率和報告搜尋的實用性。 PubMed DOI

這項研究用大型語言模型（像是 Copilot、ChatGPT Plus、Perplexity Pro）生成227份腫瘤病理報告的合成資料集，涵蓋前列腺癌、肺癌和乳癌，惡性與良性比例平均。資料集經專業癌症登記員驗證，完全沒用到真實病患資料，可作為AI病理報告分類的標準測試集，兼顧隱私與可重現性。 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

這項研究發現，開源大型語言模型（LLMs）能準確從電子病歷的病理報告中，萃取癌症和異型增生等重要診斷，連複雜案例也適用。只用簡單「是/否」提示，在美國退伍軍人健康管理局資料庫中，診斷準確率超過93%。這方法不但省資源、設定簡單，還能大規模應用，對臨床和研究都很有幫助。 PubMed DOI

這項研究提出一套用多個本地大型語言模型（LLMs）自動從外科病理報告中擷取癌症相關重點資訊的方法。每個模型會給出結構化結果和理由，經彙整後再由病理醫師確認。實測超過4,000份報告，準確率高，但在分期和側別等部分仍有困難。這方法提升了解釋性和稽核性，證明本地LLMs能可靠支援臨床自動化。 PubMed DOI

作者開發了一套端到端流程，運用大型語言模型（LLMs）從非結構化的病理報告中精準擷取並標準化資料，最初應用於腎臟腫瘤。這方法結合彈性提示設計、直接產生表格輸出及錯誤修正機制，於2,297份報告中達到極高準確率（macro F1最高0.99），也能應用於其他癌症，強調明確任務定義和跨領域合作的重要性。 PubMed DOI