這項研究探討了大型語言模型（LLMs），如ChatGPT-4o、ChatGPT-3.5和Google Gemini，在輔助放射學研究中的效能。進行了兩個實驗： 1. **生物統計學與數據視覺化**：測試LLMs在建議生物統計檢定和生成R程式碼的能力。ChatGPT-4o表現最佳，正確回答7個問題，且生成的程式碼錯誤較少。 2. **深度學習**：評估這些模型在生成影像分類模型的Python程式碼的能力。ChatGPT-4o和Gemini都能生成初始程式碼，並透過互動修正錯誤。 總體而言，LLMs對放射學研究有幫助，但使用者需驗證生成的程式碼以避免錯誤。 PubMed DOI

這項研究探討大型語言模型（LLMs）在診斷神經腫瘤方面的潛力，特別是在不斷變化的WHO中樞神經系統腫瘤指導方針下。研究測試了ChatGPT-4o、Claude-3.5-sonnet和Llama3在30個神經病理案例中的表現。結果顯示，結合檢索增強生成（RAG）後，LLMs在識別腫瘤亞型上達到90%的準確率，顯示它們能成為神經病理學家在報告實踐中的有用工具，特別是在跟上最新分類變更方面。 PubMed DOI

這項研究評估了八種公開的大型語言模型（LLMs）在24個神經放射學臨床情境中提供影像建議的表現。評估模型包括GPT-4、ChatGPT、Bard、Bing Chat、Llama 2等。結果顯示，GPT-4表現最佳，提供23個最佳建議，其次是ChatGPT有20個，而Llama 2僅有5個最佳建議。這項研究強調了大型語言模型在臨床影像利用上的潛力，並探討了評估其表現的挑戰，具有重要意義。 PubMed DOI

這份摘要強調大型語言模型（LLMs）在預測實驗結果方面的潛力，特別是在神經科學領域。研究介紹了BrainBench，一個評估LLMs預測能力的基準測試。結果顯示，LLMs在預測上可超越人類專家，而專門模型BrainGPT的準確性更高。當LLMs表現出高度信心時，預測也相對可靠，顯示它們在協助人類發現過程中的潛在角色。這種方法論不僅適用於神經科學，還可能對其他知識密集型領域產生廣泛影響。 PubMed DOI

這項研究顯示大型語言模型（LLMs），像是GPT，在學術界，特別是醫學領域的使用越來越普遍。調查訪問了來自59個國家的226位參與者，結果發現87.6%的人對LLMs有了解，且這些人發表的論文數量較多。雖然18.7%的人使用LLMs處理語法和格式，但許多人並未在作品中說明。大多數人（50.8%）認為LLMs將對未來有正面影響，尤其在編輯和文獻回顧方面，但也有呼籲制定規範以防止濫用的聲音，強調了建立倫理指導方針的必要性。 PubMed DOI

ChatGPT這類大型語言模型，能幫助放射科研究人員在研究發想、文獻整理、設計、分析和寫作上更有效率。不過，也要注意錯誤、偏見和隱私等風險。透過像提示工程和模型優化等方法，可以提升使用成效，同時降低潛在風險。 PubMed DOI

這篇研究回顧了LLM在自動化科學文獻回顧的應用，分析了172篇論文。多數專案用ChatGPT或GPT系列，特別在文獻搜尋和資料擷取上表現比BERT好。不過，實際上很少有論文註明用LLM協助。雖然LLM處理數值資料還有些限制，但未來很可能會大幅改變文獻回顧的流程。 PubMed DOI

這篇論文提出用大型語言模型（像 GPT-4o）自動化醫療術語對應 SNOMED CT 等本體，建立 RDF 知識圖譜。研究比較六種系統，發現 GPT-4o 等現代 LLMs 在準確度和語意理解上都比傳統方法好很多，能大幅提升醫療知識圖譜的準確性和資料整合效率。 PubMed DOI

這項研究發現，單靠GPT-4提升肺癌資料集的metadata品質效果有限，但如果有結構化的領域知識（如範本）輔助，GPT-4表現會大幅提升。代表只要有知識庫支援，LLM自動整理metadata會更有效率。 PubMed

這篇研究發現，MRI 序列描述太多樣，難以辨識掃描類型。用 GPT-4o 這類大型語言模型自動分類，準確率超高（AUC 約 0.98），比傳統方法和 Llama 系列都好。總結來說，LLMs 很適合用來標準化和解讀 MRI metadata。 PubMed DOI