原始文章

這項英國研究發現,對乳房緻密度高且乳房攝影正常的女性來說,簡化型MRI和對比增強乳房攝影能偵測到比自動化全乳超音波多三倍的侵襲性乳癌,且腫瘤較小。不過,對比增強乳房攝影副作用較多。這兩種檢查有助於早期發現乳癌,但是否會造成過度診斷還不確定。 PubMed DOI


站上相關主題文章列表

這項研究評估大型語言模型(LLMs)在解釋乳腺影像報告及提供臨床建議的表現,分為兩個步驟: 1. **文本評估**:比較十個LLMs與放射科醫師在100道BI-RADS選擇題上的準確率。Claude 3.5 Sonnet表現最佳(90%),超過一般放射科醫師(78%)和乳腺放射科醫師(82%)。 2. **視覺評估**:測試五個多模態LLMs在100張乳腺超音波影像上的表現,Claude 3.5 Sonnet以59%準確率領先。 研究顯示,雖然LLMs在文本評估中表現良好,但視覺診斷能力有限,需在放射科醫師監督下使用,以避免誤診。 PubMed DOI

這項研究評估了磁共振影像(MRI)在前列腺癌篩檢中的療效與安全性,並與傳統活檢比較。自2015年起,50至60歲男性參與者接受前列腺特異性抗原(PSA)篩檢,PSA達3 ng/mL以上者進行MRI檢查,隨後隨機分配進行系統性或MRI靶向活檢。結果顯示,MRI靶向活檢組的前列腺癌檢出率為2.8%,顯著低於系統性活檢的4.5%。MRI方法能有效減少臨床上不重要的癌症診斷,且保持低風險,顯示其為更安全有效的篩檢選擇。 PubMed DOI

最近一項針對低風險導管內癌(DCIS)的研究,探討主動監測的安全性。這項試驗從2017到2023年在100個中心招募了995名年齡40歲以上的女性,分為主動監測組和標準護理組。結果顯示,主動監測組的2年內侵襲性癌症發生率為4.2%,而標準護理組為5.9%,差異不大,顯示主動監測並不劣於傳統治療。這表明低風險DCIS女性在主動監測下的癌症風險是安全的。該研究已在ClinicalTrials.gov註冊,識別碼為NCT02926911。 PubMed DOI

乳腺癌仍是重要的健康議題,早期檢測能提高存活率。磁共振成像(MRI)因其對侵襲性乳腺癌的高敏感性,成為關鍵工具。電腦輔助檢測(CADe)系統能識別潛在病變,幫助醫生專注於重要區域,並與電腦輔助診斷(CADx)系統整合。 本篇綜述探討CADe系統在乳腺MRI中的現狀,涵蓋傳統方法及機器學習技術的演變。儘管有進展,CADe系統仍面臨假陽性、假陰性率及技術挑戰等問題。未來將專注於開發更穩健的算法,提升臨床應用的可行性。 PubMed DOI

Mammo-50 試驗針對50歲以上、曾接受乳癌治療且手術後三年內無復發的女性,評估較不頻繁的乳房攝影檢查與每年檢查的效果差異。研究在英國114家NHS醫院進行,共有5,235名參與者,平均追蹤5.7年。結果顯示,年檢組的5年乳癌特異性生存率為98.1%,而較不頻繁組為98.3%,兩者生存率相近。結論指出,對於這類女性,較不頻繁的檢查是可行的選擇,建議臨床實踐中考慮。 PubMed DOI

人工智慧(AI)正逐漸進入臨床實踐,特別是在乳腺影像檢查如乳房攝影中。雖然AI能透過篩選檢查結果來簡化流程,但許多使用者仍不清楚其具體好處。目前,AI在乳房攝影的診斷品質已達到與放射科醫師相當的水平,但在斷層合成影像的應用較少。大部分AI技術仍在開發中,只有乳房攝影的第二意見應用較成熟。建議使用者在實施前,仔細評估這些AI應用的成熟度及實際效益。 PubMed DOI

這項研究比較了高解析度微超聲引導活檢與MRI融合引導活檢在未接受過活檢的男性中診斷前列腺癌的效果。試驗於2021年12月至2024年9月在20個國家的802名男性中進行,結果顯示微超聲引導活檢檢測到癌症的比例為47.1%,不劣於MRI融合引導的42.6%。研究結論認為,微超聲引導活檢是檢測前列腺癌的可行替代方案,並已在ClinicalTrials.gov註冊,識別碼為NCT05220501。 PubMed DOI

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

數位乳房斷層攝影(DBT)能提供高解析度3D影像,有助於乳癌早期偵測,但也有高密度乳房影像、偽陽性率高和判讀時間長等問題。深度學習有機會提升DBT的診斷準確率和效率。這篇綜述整理了深度學習在DBT的應用現況、挑戰及未來發展方向,像是大型語言模型、領域轉移和資料增強等。 PubMed DOI

這項回溯性研究發現,ChatGPT-4在解讀乳房超音波報告並用BI-RADS分類結節時,表現比資淺放射科醫師更好,和資深醫師差不多。它預測惡性腫瘤的準確度高(AUC 0.82,準確率80.63%,敏感度90.56%,特異度73.51%)。若把ChatGPT-4納入影像判讀流程,能進一步提升醫師診斷準確率,減少不同醫師間的判讀差異。 PubMed DOI