Utilizing ChatGPT for Curriculum Learning in Developing a Clinical Grade Pneumothorax Detection Model: A Multisite Validation Study.
利用 ChatGPT 進行課程學習以開發臨床級氣胸檢測模型：一項多站點驗證研究。 J Clin Med 2024-07-27

這項研究提出了一個深度學習模型，結合課程學習與ChatGPT，旨在改善胸部X光片中氣胸的檢測。訓練從大型、易識別的氣胸案例開始，逐步加入較小且複雜的案例，以避免性能停滯。數據集包含6,445張匿名放射影像，並在不同地點驗證其普遍適用性。該模型的敏感度和特異度分別達到0.97，曲線下面積（AUC）為0.98，表現媲美許多FDA批准的設備。研究顯示，結構化訓練方法能顯著提升AI模型的檢測表現。 PubMed DOI

A GPT-based EHR modeling system for unsupervised novel disease detection.
基於 GPT 的電子健康紀錄建模系統用於無監督新疾病檢測。 J Biomed Inform 2024-08-09

這項研究開發了一個基於人工智慧的異常檢測模型，幫助醫療人員識別新型疾病並防止疫情擴散。模型使用來自麻薩諸塞州一所醫院的120,714名住院病人數據，基於生成預訓練變壓器（GPT）架構，並透過經驗風險最小化進行訓練。它分析電子健康紀錄，檢測不尋常的病人特徵，並在COVID-19疫情初期成功預測住院情況，達到92.2%的準確率。該模型在異常檢測和死亡預測上表現優異，顯示出在現代醫療中的潛力。 PubMed DOI

MediScan: A Framework of U-Health and Prognostic AI Assessment on Medical Imaging.
MediScan：一個關於醫學影像的U-Health與預後AI評估框架。 J Imaging 2024-12-27

健康科學與人工智慧的結合，讓病人診斷有了顯著進展。新提議的醫療系統整合病人、醫生、實驗室、藥局及行政人員的功能，簡化互動，並透過AI增強風險評估。該系統能處理各種醫學影像，利用深度卷積神經網絡檢測腫瘤和骨折，並運用GPT-4生成預防措施。性能評估顯示，這個框架在診斷準確性和病人護理上，優於傳統方法，展現出良好的潛力。 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