本文探讨了如何将大型语言模型成功应用于医学成像领域中高维和多模态医学图像的特定任务，该文章使用了一个LIM（大型图像模型）和LLM组合来建立多任务CT大型图像文本（LIT）模型以实现肺癌诊断。该模型具有良好的医学任务表现，包括肺分割、肺结节检测和肺癌分类。

Apr, 2023

本研究提出了一种基于自我验证的方法，利用大语言模型在不需要可靠人工注释的情况下，提高规范化临床信息提取的准确性，并为其提供输出解释，有助于在资源受限的情况下有效审核提取的临床信息。

May, 2023

使用大型语言模型（Flan-T5 XXL）从非结构化电子健康记录（EHR）数据中检索和总结与特定查询相关的论据，较传统信息检索方法更受放射科医生欢迎，但面临LLMs产生虚构证据的挑战。然而，模型的信心可能指示LLMs是否存在虚构，为解决此问题提供了潜在方法。

Sep, 2023

使用大型语言模型（LLMs）结合人类专家的方法，快速生成医疗文本注释的地面真实标签，从而减少人工注释负担并保持高准确性，为医疗健康领域的定制自然语言处理（NLP）解决方案提供了潜力。

Dec, 2023

通过结合医学领域知识，采用多层结构的提示方法实现零/少样本上下文学习，并探索用户与大型语言模型的两种交流方式对诊断准确性和风险因素的影响。结果表明，大型语言模型通过域知识和定制化沟通策略能够显著提高诊断流程的准确性。研究还强调了在大型语言模型应用中优化训练样本数量和交流方式以提高准确性并减少偏见的重要性。

May, 2024

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

本研究针对从非结构化放射学和病理学报告中提取结构化临床信息的难题，提出了一种基于开放权重大语言模型和检索增强生成的自动化系统。研究发现，医疗领域精细调整的模型在提取准确性方面表现优异，达到98%以上，这一方法显示出在医疗数据提取中实现人机协作的潜力。

Sep, 2024

本研究旨在开发一个自动化系统，从非结构化的放射学和病理学报告中提取结构化临床信息，解决了当前信息提取的准确性和有效性问题。研究利用开源大语言模型和检索增强生成技术，发现新型和领域微调模型在提取准确性上表现优异，最佳模型在提取BT-RADS评分和IDH突变状态时均达到了高于90%的准确率。这一成果为医疗数据提取提供了可靠的方法，强调了人机协作的潜力。

Sep, 2024

本研究针对当前大型语言模型在创建结构化放射学报告时面临的格式错误和内容幻觉等挑战，提出了一种基于模板约束解码的增强型开源大型语言模型。研究发现，该方法在多机构数据集上显著提升了评估性能，并成功展示了一个新型肺结节检索系统的原型，为临床工作流优化和患者治疗结果改善提供了新的可能性。

Sep, 2024

本研究解决了生成医学影像模型预测的自然语言解释（NLEs）时缺乏特定领域医学知识的问题。论文提出了一种创新的视觉-语言框架，通过知识图谱增强模型理解能力，显著提高了解释精确度并保护数据隐私。实验结果显示，该框架在MIMIC-NLE数据集上取得了最先进的性能，展示了知识图谱增强在高质量NLE生成中的有效性。

Oct, 2024