Optimizing Data Extraction: Harnessing RAG and LLMs for German Medical Documents.
優化數據提取：利用 RAG 和 LLMs 處理德國醫療文件。 Stud Health Technol Inform 2024-08-23

這項研究針對將非結構化醫療文本轉換為結構化格式的挑戰，提出了一個自動化的本地流程，確保使用開源大型語言模型（LLMs）時能維護數據隱私。研究針對包含敏感健康資訊的德語醫療文件進行測試，結果顯示在800份非結構化醫療報告中，數據提取的準確率高達90%，表現優於醫生和醫學生的手動提取。這顯示該流程能有效提升數據可用性，同時保障隱私。 PubMed DOI

A Large Language Model to Detect Negated Expressions in Radiology Reports.
一個大型語言模型用於檢測放射學報告中的否定表達。 J Imaging Inform Med 2024-09-25

這項研究比較了兩種自然語言處理系統的效能，分別是medspaCy和CAN-BERT，專注於識別放射學報告中的否定概念。研究分析了984份去識別化報告，並標註了2800個術語。結果顯示，medspaCy的召回率為0.795，但精確度較低（0.356），F1分數為0.492；而CAN-BERT的召回率為0.785，精確度高達0.768，F1分數為0.777。整體來看，CAN-BERT在檢測否定術語方面表現更佳，對臨床決策和研究數據提取有幫助。 PubMed DOI

Automatic structuring of radiology reports with on-premise open-source large language models.
使用本地開源大型語言模型自動結構化放射科報告。 Eur Radiol 2024-10-10

放射學中的結構化報告在可比性、可讀性和細節上有明顯優勢，但其採用仍然有限。本研究探討了一種本地托管的語言模型，能將自由文本的放射報告轉換為結構化數據，且不影響放射科醫師的工作流程。研究結果顯示，該模型生成的結構化報告在英語和德語的準確性接近人類讀者，顯示出良好的性能。結論指出，為了提高結構化報告的採用，需加強自動化系統與臨床流程的整合，讓醫師能在報告過程中受益於結構化數據。 PubMed DOI

GPT-Driven Radiology Report Generation with Fine-Tuned Llama 3.
基於 GPT 的放射科報告生成與微調的 Llama 3。 Bioengineering (Basel) 2024-10-25

深度學習在放射學的應用有助於改善診斷，但臨床接受度仍有挑戰。本研究開發了一個基於Llama 3-8B的語言模型，旨在自動生成MRI和CT報告的結論，以協助放射科醫生並提升效率。使用了15,000份來自克拉約瓦醫藥與藥學大學的報告數據進行訓練，並在NVIDIA RTX 3090 GPU上進行微調。結果顯示，模型在生成結論的準確性上表現良好，並獲得放射科醫生的正面評價。未來需解決數據偏見及臨床整合等問題。 PubMed DOI

A Transformer-Based Pipeline for German Clinical Document De-Identification.
基於變壓器的德國臨床文件去識別化管道。 Appl Clin Inform 2025-01-08

這項研究探討了變壓器語言模型在臨床文件中識別敏感資訊的應用，解決了數據保護和手動去識別化的挑戰。研究人員使用1,130名患者的10,240份德國醫院文件，對一個德國的ELECTRA模型進行微調，以提升敏感數據檢測的表現。他們制定了標註指導方針，並將模型表現與100份手動標註的測試集進行比較。經過微調的gELECTRA模型達到F1宏觀平均分數0.95，超越人類標註者的0.93，顯示出其在真實臨床數據處理中的有效性。 PubMed DOI

[Transformation of free-text radiology reports into structured data].
將自由文本放射學報告轉換為結構化數據。 Radiologie (Heidelb) 2025-02-11

將非結構化的放射科報告轉換為結構化數據，雖然大型語言模型（LLMs）展現出潛力，但面臨多項挑戰，如醫學術語的模糊性、縮寫的使用、報告表達的多樣性及數據質量不一等。為了克服這些問題，可以採用深度學習模型進行微調、結合規則系統、使用本體論等方法。此外，確保數據質量與可靠性也很重要，需透過穩健的評估指標、上下文整合、持續學習及人類監督來提升準確性。 PubMed DOI

[Integration of large language models into the clinic : Revolution in analysing and processing patient data to increase efficiency and quality in radiology].
大型語言模型在臨床中的整合：革命性地分析和處理患者數據，以提高放射學的效率和質量。 Radiologie (Heidelb) 2025-03-12

大型語言模型（LLMs）如ChatGPT、Llama和Claude，正在改變醫療保健，特別是在放射科。最近，弗賴堡和巴塞爾大學醫院的研究顯示，這些系統能有效整合影像存檔與傳輸系統（PACS）和電子健康紀錄（EHR），提升醫師效率，縮短報告時間，並自動化例行任務。研究結果顯示，LLMs不僅提高了診斷質量，還促進了跨學科合作。未來應著重增強透明度和擴大應用範圍，確保遵守倫理和法律標準。 PubMed DOI

Automated Radiology Report Labeling in Chest X-Ray Pathologies: Development and Evaluation of a Large Language Model Framework.
胸部 X 光病理的自動放射學報告標籤：大型語言模型框架的開發與評估。 JMIR Med Inform 2025-03-28

這項研究評估了一種基於GPT的大型語言模型（LLM）在標註非結構化放射學報告的效果，並與現有的CheXbert和CheXpert進行比較，使用了MIMIC-CXR這個大型胸部X光數據集。結果顯示，LLM的平均F1分數為0.9014，超過CheXpert（0.8864），接近CheXbert（0.9047）。在處理較長、複雜的病理描述時，LLM表現尤為優異。整體來看，LLM是傳統BERT方法的有力替代，提供更好的上下文理解，並減少對特徵工程的需求。 PubMed DOI

Comprehensive testing of large language models for extraction of structured data in pathology.
大型語言模型在病理學中結構化數據提取的綜合測試。 Commun Med (Lond) 2025-03-31

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

Bootstrapping BI-RADS classification using large language models and transformers in breast magnetic resonance imaging reports.
利用大型語言模型和變壓器在乳腺磁共振成像報告中進行 BI-RADS 分級的自助法。 Vis Comput Ind Biomed Art 2025-04-03

乳腺癌是全球女性常見的癌症，而MRI是活檢前重要的非侵入性診斷工具。本研究提出一種新方法，利用BI-RADS系統對乳腺MRI報告進行分類，透過大型語言模型將自由文本轉為結構化格式，並解決缺失的類別資訊。為保護病患資料，使用本地部署的Qwen-Chat模型，並透過專業提示增強模型適應性。結果顯示，這種新方法在各項指標上優於現有技術，並在不同醫院的測試中證實其穩健性。 PubMed DOI

原始文章

站上相關主題文章列表