這篇論文探討大型基礎模型在醫學影像，特別是癌症分割的應用，如Segment Anything Model (SAM)。這些模型在自然語言處理和計算機視覺上取得進展，能提升癌症診斷的準確性和效率，並可整合進臨床工作流程中。 **潛在好處：** 1. 提高檢測準確性。 2. 自動化分割節省醫生時間。 3. 可適應多樣化數據集。 4. 提供即時協助。 **挑戰：** 1. 數據質量和可用性不足。 2. 模型泛化能力有限。 3. 可解釋性不足影響信任。 4. 監管和倫理問題需關注。 總之，雖然大型模型在癌症診斷上有潛力，但實施時需考量挑戰。 PubMed DOI

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

這項研究專注於運用深度學習技術來改善從全切片影像（WSIs）生成病理報告的過程。由於WSIs的組織複雜性和龐大尺寸，挑戰不少。研究提出了一個多層次區域特徵編碼網絡，能有效提取相關特徵並過濾不必要的信息，提升報告生成的準確性。此外，還加入了知識檢索模組，並使用大型語言模型（LLM）來增強系統的可擴展性。評估結果顯示，這種方法在報告生成上超越了現有技術，提供了一個有效的解決方案。 PubMed DOI

這項研究著重於提升癌症病理報告的文本分段，使用經過微調的Longformer模型，能處理比傳統模型（如BERT）更長的文件。Longformer在504份標註報告上訓練，能準確識別診斷、附錄和臨床歷史等關鍵部分。與正則表達式和BERT QA等基準方法比較，Longformer在304份測試報告中的診斷F1分數為0.77，附錄0.48，臨床歷史0.89，整體分數0.68。結果顯示，微調的Longformer模型在分段準確性上有顯著提升，有助於後續分析。 PubMed DOI

合成數據生成正逐漸成為解決數位病理學中數據稀缺的關鍵，特別是在癌症診斷上。現有方法面臨類別多樣性不足及細胞註釋缺乏的挑戰，影響病理特徵的捕捉及影像品質。為了解決這些問題，我們提出了拓撲引導的病理基礎模型（ToPoFM），能生成高解析度病理影像，並精確控制細胞層面。透過拓撲知識的細胞排列生成器和擴散模型，我們的實驗顯示ToPoFM在數據合成上具高保真度，並能顯著改善癌症亞型分類和分割等下游任務的表現。 PubMed DOI

這項研究介紹了口腔癌注意網路（OCANet），一個基於U-Net的模型，專注於改善口腔鱗狀細胞癌的分割。OCANet利用局部和全局注意機制，能捕捉複雜的癌症模式，並結合大型語言模型增強可解釋性。其關鍵組件包括通道和空間注意融合、擠壓與激勵區塊等，提升特徵提取和分割效果。OCANet在多個數據集上表現優異，準確率和Dice相似係數均高，顯示出強大的泛化能力，成為癌症診斷中的重要工具。 PubMed DOI

這項研究用GPT-4o和Llama3.3等大型語言模型，測試它們在227份人工合成病理報告中辨識和分類癌症的能力。結果顯示，這些AI模型在準確率、敏感度和特異性上都比傳統方法更優秀，有機會讓癌症登記流程更快、更可靠，提升公共衛生和臨床照護品質。 PubMed DOI

這項研究發現，開源大型語言模型（LLMs）能準確從電子病歷的病理報告中，萃取癌症和異型增生等重要診斷，連複雜案例也適用。只用簡單「是/否」提示，在美國退伍軍人健康管理局資料庫中，診斷準確率超過93%。這方法不但省資源、設定簡單，還能大規模應用，對臨床和研究都很有幫助。 PubMed DOI

這項研究提出一套用多個本地大型語言模型（LLMs）自動從外科病理報告中擷取癌症相關重點資訊的方法。每個模型會給出結構化結果和理由，經彙整後再由病理醫師確認。實測超過4,000份報告，準確率高，但在分期和側別等部分仍有困難。這方法提升了解釋性和稽核性，證明本地LLMs能可靠支援臨床自動化。 PubMed DOI

大型語言模型在癌症影像領域應用越來越多，像是自動產生報告、分類影像、整合臨床指引，還能幫助病人理解報告。未來有機會協助腫瘤委員會討論、治療管理和預測副作用。不過，目前還有幻覺和表現不穩定等問題，限制臨床應用。 PubMed DOI