醫療機構的病理科常有重要資料，但提取資料常需手動且耗時。利用大型語言模型如ChatGPT和Google Bard能自動化這過程。將病理報告輸入模型，可輕鬆創建摘要報告，並匯出至Excel等工具。AI輔助的資料提取可提升研究效率和準確性，勝過手動方式。 PubMed DOI

統合報告是一種結構化記錄臨床資訊的方法，有助於提升病患照護品質。本研究利用先進語言模型自動生成癌症相關統合報告，避免昂貴且容易出錯的手動合成。透過調整LLAMA-2模型並使用BERT F1分數評估，研究顯示微調模型能高準確生成統合報告。 PubMed DOI

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

本研究探討大型語言模型（LLMs），特別是GPT-3.5 turbo和GPT-4，如何提取肝細胞癌病理報告中的關鍵要素。考量到手動整理報告的困難，研究比較了LLMs與傳統的正則表達式（REGEX）方法的準確性。共分析了88份病理報告，重點在五個關鍵要素。結果顯示，LLMs和REGEX的提取準確性均相當，介於84.1%到94.8%之間。研究指出，LLMs有潛力顯著簡化提取過程，進而加速癌症研究的進展。 PubMed DOI

這項研究探討大型語言模型（LLMs）在診斷神經腫瘤方面的潛力，特別是在不斷變化的WHO中樞神經系統腫瘤指導方針下。研究測試了ChatGPT-4o、Claude-3.5-sonnet和Llama3在30個神經病理案例中的表現。結果顯示，結合檢索增強生成（RAG）後，LLMs在識別腫瘤亞型上達到90%的準確率，顯示它們能成為神經病理學家在報告實踐中的有用工具，特別是在跟上最新分類變更方面。 PubMed DOI

Oncointerpreter.ai 是一個互動工具，幫助癌症患者理解診斷和治療選擇。它提供個性化的基因組和病理數據摘要，讓患者能更有效地與醫療團隊溝通。這個工具利用先進的語言模型，能處理去識別化的報告，提取關鍵資訊並即時回答治療相關問題。此外，還能根據患者的病情和地點，找出相關的臨床試驗。基準測試顯示其回應一致且準確，目的是增強患者的理解，促進知情討論。更多資訊可至其 GitHub 頁面查詢。 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