Does synthetic data augmentation improve the performances of machine learning classifiers for identifying health problems in patient-nurse verbal communications in home healthcare settings?
合成數據增強是否能提高機器學習分類器在家庭醫療環境中識別患者-護士口頭溝通中健康問題的表現？ J Nurs Scholarsh 2024-07-03

在家庭照護中運用機器學習辨識健康問題對成效至關重要。研究指出，透過GPT-4生成虛擬患者-護士對話資料並自動標記問題，結合真實與虛擬資料，機器學習分類器在辨識健康問題上有更佳表現。這項研究凸顯了虛擬資料在醫療分析中的潛力，對提升家庭照護患者複雜病況問題檢測的準確性與效率有所助益。 PubMed DOI

A latent diffusion approach to visual attribution in medical imaging.
醫學影像中視覺歸因的潛在擴散方法。 Sci Rep 2025-01-06

這項研究提出了一種新型的生成視覺歸因技術，專為醫學影像設計，重點在於突顯與診斷相關的特徵，特別是異常情況下。不同於傳統方法，這種技術利用潛在擴散模型和大型語言模型生成正常影像，並與原始影像比較，以識別關鍵診斷組件。研究人員在COVID-19放射影像數據庫上測試，並使用多種指標評估影像質量。該系統還能進行零樣本局部疾病誘導，增強醫學影像的可解釋性。 PubMed DOI

<i>LungDiag</i>: Empowering artificial intelligence for respiratory diseases diagnosis based on electronic health records, a multicenter study.
<i>LungDiag</i>: 基於電子健康紀錄的呼吸疾病診斷之人工智慧賦能，多中心研究。 MedComm (2020) 2025-01-13

呼吸系統疾病是全球健康的重要議題，常因症狀重疊而誤診。為了解決這個問題，我們開發了**LungDiag**，一個基於人工智慧的診斷系統，透過自然語言處理從電子健康紀錄中提取關鍵臨床特徵，以更準確地分類疾病。研究使用了31,267份EHRs進行訓練，並用1,142份進行驗證。**LungDiag**的診斷能力相當出色，主要診斷的F1分數達0.711，超越人類專家及ChatGPT 4.0。未來仍需進一步研究以確認其臨床有效性。 PubMed DOI

Targeted generative data augmentation for automatic metastases detection from free-text radiology reports.
針對自由文本放射學報告自動檢測轉移的目標生成數據增強。 Front Artif Intell 2025-02-21

這項研究探討如何利用電子健康紀錄，特別是放射學報告，自動識別癌症患者的轉移部位。研究人員運用自然語言處理技術，透過大型語言模型Llama3生成合成訓練數據，來增強有限的數據集，並訓練較小的BERT模型。他們發現針對性的數據增強技術能有效提升檢測肺部、肝臟和腎上腺轉移的F1分數。此外，研究比較了標準化與非結構化報告在轉移識別上的準確性，結果顯示結合患者歷史與量身定制的模型能顯著提升性能。整體而言，這項研究提供了一種可擴展且具成本效益的方法，無需對不同機構進行廣泛的定制。 PubMed DOI

A novel generative model for brain tumor detection using magnetic resonance imaging.
一種新穎的生成模型用於利用磁共振成像檢測腦腫瘤。 Comput Med Imaging Graph 2025-02-22

這項研究提出了一種創新的方法，利用深度學習技術（特別是Yolov8框架）來早期檢測和分割腦腫瘤，達到超過98%的準確率。透過微調和智能計算單元，腫瘤邊緣的分割精度超過99%，且分割時間少於一秒，表現優於現有方法。此外，研究還結合多種分類器和數據融合技術，提升腫瘤分類及預測患者壽命的能力。整體而言，這項研究為醫學影像領域提供了重要貢獻，改善了腦腫瘤的檢測與分類。 PubMed DOI

DALL-M: Context-aware clinical data augmentation with large language models.
DALL-M：基於上下文的臨床數據增強與大型語言模型。 Comput Biol Med 2025-04-02

DALL-M是一個新框架，透過生成合成臨床數據來增強醫學診斷，特別是解釋胸部X光影像。它整合了結構化臨床特徵與放射學報告及相關資源，幫助放射科醫師更準確地診斷疾病。該框架分為三個階段：儲存臨床背景、生成專家查詢、增強背景感知特徵。在測試中，DALL-M將臨床特徵數量從9個擴展到91個，並顯示出顯著的效能提升，成為AI驅動醫學診斷的重要工具。 PubMed DOI

A Medical Multimodal Large Language Model for Pediatric Pneumonia.
用於兒童肺炎的醫學多模態大型語言模型 IEEE J Biomed Health Inform 2025-05-12

小兒肺炎診斷困難，影響幼童生命。P2Med-MLLM是一款結合文字和醫學影像分析的AI模型，能協助醫師更快更準確診斷與治療。實測結果顯示，這個模型比現有方法更有效率，有助於提升醫療品質並拯救更多孩子的生命。 PubMed DOI

Multimodal LLMs for retinal disease diagnosis via OCT: few-shot versus single-shot learning.
利用多模態大型語言模型（LLMs）透過OCT進行視網膜疾病診斷：少量學習（few-shot）與單次學習（single-shot）的比較 Ther Adv Ophthalmol 2025-05-22

這項研究發現，GPT-4o 和 Claude Sonnet 3.5 這兩款AI模型，經過少量範例訓練後，診斷OCT影像的準確率最高可達73%。雖然還不如專業深度學習模型，但在日常眼科診斷、特別是判斷正常個案時，已展現輔助潛力。未來需更多研究結合影像和臨床資料來提升表現。 PubMed DOI

Enhancing Pulmonary Disease Prediction Using Large Language Models With Feature Summarization and Hybrid Retrieval-Augmented Generation: Multicenter Methodological Study Based on Radiology Report.
利用特徵摘要與混合檢索增強生成（Hybrid Retrieval-Augmented Generation），結合大型語言模型提升肺部疾病預測：基於放射報告的多中心方法學研究 J Med Internet Res 2025-06-11

這項研究提出結合特徵摘要、思路鏈推理和混合型RAG架構的新提示工程方法，能提升大型語言模型判讀胸部CT報告、診斷肺部疾病的準確度。用2,965份報告測試，結果比傳統深度學習和其他提示法更準，外部驗證也表現優異。此方法不僅提升可解釋性，也有助臨床更精確診斷。 PubMed DOI

Enhancing Disease Detection in Radiology Reports Through Fine-tuning Lightweight LLM on Weak Labels.
透過在弱標註上微調輕量級LLM提升放射科報告的疾病偵測能力 AMIA Jt Summits Transl Sci Proc 2025-06-12

這篇研究發現，就算只有少量高品質標註，只要用像 GPT-4o 這種高品質合成標註來微調 Llama 3.1-8B 這類輕量級語言模型，醫療任務表現也能大幅提升（micro F1 可達 0.91）。即使合成標註品質較差，微調後的模型表現還是能超越原本的雜訊標註，顯示模型很有韌性，合成資料在醫療 LLM 微調上很有潛力。 PubMed

原始文章

站上相關主題文章列表