ThyroPath 是一个基于规则的自然语言处理（NLP）流水线，可以自动提取和分类甲状腺癌病理报告的风险因素，并显示了在大规模上操作的潜力，并在人工提取病理信息方面实现了 100% 的准确性。

May, 2024

本研究提出一种以 transformers 为基础的细粒度命名实体识别体系结构，用于临床信息提取，通过 fine-tuning 在 ROUGE-1、ROUGE-2、ROUGE-L 和 BLEU 度量指标上的表现优于之前使用的人工神经网络和卷积神经网络模型。

Sep, 2022

通过语义级人机交互的方式，基于 ChatGPT 架构设计出了一种名为 ThyGPT 的人工智能增强型计算机辅助诊断（AIGC-CAD）模型，可以协助放射科医生评估甲状腺结节的风险。使用由浙江癌症医院收集的 19,165 个甲状腺结节超声案例的数据集进行模型的训练和验证。经过训练后，ThyGPT 能够自动评估甲状腺结节并通过人机交互与医生进行有效沟通。实证结果表明，辅助 ThyGPT 的放射科医生在诊断能力上显著优于使用传统方法的同行，并且优于孤立模型的性能。这些发现表明，像 ThyGPT 这样的 AIGC-CAD 系统有望从根本上改变放射科医生的诊断工作流程。

Feb, 2024

本研究提出一种个性化诊断工具，该工具利用超声和多视图分类模块来提取脖子部位的特征信息和个性化突出不同部分的最佳视角来评估甲状腺结节，提升诊断效率。实验结果表明，该工具比传统方法更能利用多视图信息，并且获得更好的诊断效果。

Jul, 2022

研究开发了自然语言处理（NLP）系统，用于从临床叙述中提取上下文药物信息，证明大型转换模型的优势。

Mar, 2023

本研究提出了一种基于特征反馈机制的新型检测网络，该机制首先粗略观察整体图像，然后专注于感兴趣的细节，并具有反馈特征选择模块和特征反馈金字塔两个部分来提高功能提取以及自适应融合多种特征

May, 2023

本研究旨在调查利用 GPT3.5-turbo（GPT3.5）进行放射学报告的 TNM 分级的准确性及多语种 LLMs 在日语和英语中的实用性。通过分析多语言 TNM 定义对准确性的影响，研究表明提供完整的 TNM 定义可明显提高放射学报告的分类准确性，且多语种 LLMs 在放射学领域具有潜在应用价值。

Jun, 2024

提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。

Oct, 2023

自由文本放射学报告中提取信息的流程，以及使用自然语言处理和基于 Transformer 的模型填充结构化报告注册表的性能评估和比较。

Mar, 2024

该文是关于基于 Transformer 的自然语言处理（NLP）应用到电子病历（EMR）领域的最新研究进展的系统文献综述，涵盖了业务问题、NLP 任务、模型和技术、数据集可用性、建模再现性、语言和交换格式等方面。通过分析当前研究的局限性和未来研究建议，该文提供了有关该领域 Transformer-based 方法的综合评估。

Apr, 2023