Large language models vs human for classifying clinical documents.
大型語言模型與人類在臨床文件分類中的比較。 Int J Med Inform 2025-01-23

這項研究探討了使用先進的大型語言模型，如ChatGPT 3.5和ChatGPT 4，來提升醫療紀錄中ICD-10代碼的分類準確性，特別是針對現有方法識別為假陰性的紀錄。研究在MIMIC IV數據集的802份出院摘要上進行，結果顯示ChatGPT 4的匹配率為86%到89%，明顯優於ChatGPT 3.5的57%到67%。雖然經驗豐富的人類編碼員表現更佳，但ChatGPT 4的準確性已達到人類編碼員的中位數。這顯示將這類模型整合進臨床編碼中，能提升醫療文檔的準確性，特別在複雜案例中。 PubMed DOI

Comparative analysis of generative LLMs for labeling entities in clinical notes.
臨床筆記中標註實體的生成式 LLMs 比較分析。 Genomics Inform 2025-02-06

這篇論文評估了不同微調的生成大型語言模型（LLMs）在臨床領域的零樣本命名實體識別（NER）表現。研究在第八屆生物醫學聯結註解黑客松進行，重點分析Llama 2和Mistral模型，並比較其基本版本與針對特定任務微調的版本。使用的數據集標註了疾病、症狀和醫療程序。結果顯示，經過指示微調的模型在實體識別上表現優於聊天微調和基本模型，且在要求簡單輸出結構時表現也有所提升。 PubMed DOI

Developing an ICD-10 Coding Assistant: Pilot Study Using RoBERTa and GPT-4 for Term Extraction and Description-Based Code Selection.
開發 ICD-10 編碼助手：使用 RoBERTa 和 GPT-4 進行術語提取和基於描述的編碼選擇的初步研究。 JMIR Form Res 2025-02-12

這項研究探討了如何利用大型語言模型GPT-4來協助醫療編碼員進行ICD-10編碼。研究目的是透過關鍵詞識別來增強編碼過程，並採用檢索增強生成（RAG）方法。使用的CodiEsp-X數據集包含1000個西班牙臨床案例及其編碼，並創建了專注於關鍵詞的CodiEsp-X-lead數據集。雖然關鍵詞提取的F1分數達到0.80，但整體可解釋性F1分數僅為0.305，顯示出編碼分配的效果不佳。未來研究應著重於改善系統與醫療編碼員的工作流程對接，以提高準確性。 PubMed DOI

How to leverage large language models for automatic ICD coding.
如何利用大型語言模型進行自動 ICD 編碼。 Comput Biol Med 2025-03-15

這項研究探討自動ICD編碼的挑戰，對保險理賠和疾病研究非常重要。由於臨床筆記複雜且變化多，手動編碼常常慢且易出錯。為了提升大型語言模型（LLMs）的表現，作者提出了一個微調框架，結合標籤注意機制、醫學知識注入及知識驅動的抽樣。實驗結果顯示，這個框架在MIMIC-III-50數據集上表現優於傳統微調方法，特別是在編碼器-解碼器模型中，準確率和F1分數都有顯著提升。 PubMed DOI

Enhancing Bidirectional Encoder Representations From Transformers (BERT) With Frame Semantics to Extract Clinically Relevant Information From German Mammography Reports: Algorithm Development and Validation.
結合框架語意增強 Bidirectional Encoder Representations From Transformers (BERT) 以萃取德文乳房攝影報告中的臨床相關資訊：演算法開發與驗證 J Med Internet Res 2025-04-25

這項研究用BERT語言模型結合框架語意學，能自動從德文乳房攝影報告中擷取並結構化資訊。經過醫院資料微調後，系統能準確辨識多種事實和實體，表現比Llama 3.3更好。這方法可客製化、保護隱私且易於解釋，有助推動放射科結構化報告。未來建議在不同資料集驗證其泛用性。 PubMed DOI

Using Large Language Models for Efficient Cancer Registry Coding in the Real Hospital Setting: A Feasibility Study.
在真實醫院環境中運用大型語言模型於癌症登記編碼之可行性研究 Pac Symp Biocomput 2025-04-29

這項研究發現，只要善用提示工程技巧，即使沒特別微調，公開的大型語言模型也能協助癌症登記編碼。結合RAG系統和思路鏈推理後，肺癌個案的編碼準確率大幅提升，顯示LLMs有助於提升登記人員的效率和精確度。 PubMed DOI

Enhancing medical coding efficiency through domain-specific fine-tuned large language models.
透過領域專屬微調大型語言模型提升醫療編碼效率 Npj Health Syst 2025-05-05

用ICD-10資料微調大型語言模型後，自動醫療編碼的準確度大幅提升。模型在代碼與描述配對的精確率從不到1%躍升到97%；應用在臨床紀錄上，精確匹配率達69.2%，分類匹配率87.2%。這能有效減少人工處理時間和錯誤。 PubMed DOI

German Medical NER with BERT and LLMs: The Impact of Training Data Size.
使用 BERT 與 LLMs 進行德文醫學命名實體辨識：訓練資料量的影響 Stud Health Technol Inform 2025-05-17

**重點整理：** 這篇研究比較了一個大型語言模型（LLaMA3.1）和一個基於BERT的模型，在德文醫療文本中的命名實體辨識（NER）表現，特別著重在訓練資料有限的情況下。兩個模型的表現相近，但在訓練資料較少時，LLaMA3.1的表現略優於BERT-based模型。 PubMed DOI

Fine-tuning open-source large language models to improve their performance on radiation oncology tasks: A feasibility study to investigate their potential clinical applications in radiation oncology.
微調開源大型語言模型以提升其在放射腫瘤學任務中的表現：探討其於放射腫瘤學臨床應用潛力的可行性研究 Med Phys 2025-07-16

這項研究用7,903筆放射腫瘤科資料微調LLaMA2-7B和Mistral-7B模型，提升它們在治療建議、治療選擇和ICD-10診斷預測三大任務的表現。微調後模型的準確度和臨床相關性都明顯進步，超過六成AI產生的治療方案被醫師認可，顯示未來在臨床應用上很有潛力。 PubMed DOI

Assessing the transferability of BERT to patient safety: classifying multiple types of incident reports.
BERT於病人安全領域的可轉移性評估：多類型事件報告的分類 BMJ Health Care Inform 2025-08-19

這項研究發現，微調過的BERT模型在分類病人安全事件報告時，比傳統CNN模型更能準確辨識罕見事件和嚴重程度，且在新資料上也有不錯表現。即使資料量少或分布不均，BERT只用預設參數就能有很好的效果，顯示其在醫療文本分類上相當有潛力。 PubMed DOI

原始文章

站上相關主題文章列表