研究了 8 种大型语言模型对放射学报告印象进行总结的能力，使用 CT、PET-CT 和超声波报告构建零、一、三次扫描提示，并定义了五项人工评价指标以评估印象的语义，结果显示大型语言模型在完整性和正确性方面表现较好，但简洁性和真实性评分不高，并指出少量扫描提示可以提高模型的简洁性和真实性，但临床医师仍认为大型语言模型不能取代放射学家的总结能力。

Jun, 2024

提出了 ImpressionGPT，利用建立动态上下文的方法，使模型通过语言模型的上下文学习能力获得从现有数据中语义相似的示例的上下文知识，并设计一种迭代优化算法，用于对生成的印象结果进行自动评估和对应的指令提示，从而在不需要额外训练数据或微调语言模型的情况下在 MIMIC-CXR 和 OpenI 数据集上实现了最佳性能。

Apr, 2023

本文系统探讨了轻量级的策略来适应大型语言模型（LLM）以进行放射学报告摘要（RRS）的任务。研究表明，通过在病例文本语料库中进行预训练，以及使用参数高效的微调技术，在 RRS 范例上进行微调有助于最大程度地适应任务，为临床任务开发有效的自然语言处理解决方案提供了有价值的参考。

May, 2023

通过 fine-tuning 多语言 Transformer 模型，该研究实现了自动化生成多种语言的放射学报告总结，结果显示出与人工撰写总结相当甚至更好的临床可靠性。

Sep, 2023

利用生成性人工智能进行医学图像的放射学报告撰写可极大地减少了时间成本和错误率。本研究中，我们提出了一个简单而有效的两阶段微调方案，通过软性视觉提示将视觉特征与大型语言模型的文本嵌入空间对齐。我们的框架在没有领域特定预训练的情况下取得了最先进的性能，并对软性视觉提示和注意力机制进行了详细分析，为未来的研究方向提供了启示。

Dec, 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

利用神经序列到序列学习自动化生成放射学诊断报告中印象部分，比现有基线效果更好，在盲测实验中 67% 样本的系统汇总得分至少和人类汇总得分一样高。

Sep, 2018

利用一种新的提示策略，结合少样本上下文学习，该论文引入了一种改进放射学报告摘要的方法，通过首先生成普通人摘要来规范关键观察，并使用医患交流启发的非专家通信技术简化复杂信息。我们在 MIMIC-CXR、CheXpert 和 MIMIC-III 数据集上评估了这种方法，并将其与 7B/8B 参数状态下的开源大型语言模型（LLMs），如 Meta-Llama-3-8B-Instruct，进行了比较。我们的结果表明，在摘要精确性和可访问性方面都取得了改进，特别是在领域外测试中，某些指标的改进高达 5%。

Jun, 2024

大型语言模型在医学领域的实际应用中的性能、优势和不足进行了关键性评估。

Jul, 2023

本研究探讨了小型语言模型在医学领域的应用，特别是与放射学文本相关的问题回答、症状理解、放射学结果的表现、鉴别诊断、评估预后和建议治疗等疾病方面。通过对高质量的放射志教育内容进行微调，我们的实验结果表明，小型语言模型在放射学工作流程中具备可行性和有效性，能够提供简明准确的答案，从而提高放射学实践的质量和效率。

Mar, 2024