两篇Nature Medicine，DeepSeek、GPT-4o等LLM在医学推理、临床决策中的应用评估
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
将ScienceAI设为星标
第一时间掌握
新鲜的AIforScience资讯
编辑|白菜叶
大型语言模型(LLM)正在日益改变医疗应用。
然而，像GPT-4o这样的专有模型在临床应用方面面临巨大障碍，因为它们无法在医疗机构内部部署，同时也不符合严格的隐私法规。
DeepSeek等开源LLM展示的强悍性能，为科学家提供了一种有前景的替代方案。因为它们可以被部署在本地，医院的工作人员可以用本地数据对它们进行高效的微调。
DeepSeek在临床决策中的能力
论文链接：https ://www.nature.com/articles/s41591-025-03727-2
研究人员使用125例具有足够统计功效的患者病例，涵盖了广泛的常见病和罕见病，发现DeepSeek模型的表现与医学专用LLM相当，在某些情况下甚至更佳。
这项研究表明，开源LLM可以为安全的模型训练提供可扩展的途径，从而在符合数据隐私和医疗保健法规的情况下，实现现实世界的医疗应用。
图示：考虑诊断和治疗的LLM（GPT-4o、DeepSeek-R1、DeepSeek-V1和Gemini-2.0）在Gem2FTE实验中的Likert评分。（来源：论文）
DeepSeek在医学领域的推理能力
虽然如此，但是在医学领域DeepSeek的能力推理能力尚未得评估。
论文链接：https ://www.nature.com/articles/s41591-025-03726-3
本研究评估了DeepSeek-R1、ChatGPT-o1和Llama3.1-405B这三个LLM执行四项不同医学任务的能力：回答美国医师执照考试(USMLE)的问题、基于文本的诊断和治疗案例进行解释和推理、根据RECIST1.1标准进行肿瘤分类以及提供跨多种模式的诊断影像报告摘要。
图示：概述了三种大型语言模型在执行四项指定医学任务方面的表现。缩写：pt：分值，PD：疾病进展，PR：部分缓解，N：数量。（来源：论文）
在USMLE测试中，DeepSeek-R1（准确率=0.92）的表现略逊于ChatGPT-o1（准确率=0.95；p=0.04），但优于Llama3.1-405B（准确率=0.83；p<10^-3）。
图示：比较三款LLM在各种医学任务中的表现。对三款LLM（ChatGPT-o1、DeepSeek-R1和Llama3.1-405B）在以下医学任务中的表现进行了评估：美国医师执照考试(USMLE)试题、诊断问题（NEJM和Medicilline数据库中）、推理（BMJ和NEJM数据库中）、放射学报告中的RECIST1.1分类以及报告摘要（MIMIC-III和私有数据集）。（来源：论文）
然而，DeepSeek-R1提供的汇总成像报告的整体质量低于ChatGPT-o1提供的报告（5分制Likert分数：4.5vs4.8；p < 10^−3）。
这项研究展示了DeepSeek-R1LLM在医疗应用方面的潜力，但也强调了需要进一步提升的方向。
图示：AI与医疗。（来源：AI生成）
总而言之，科学家们在不断探索AI在医疗决策、医学诊断中的应用，已有的评估结果表明，AI在这些领域的使用正变得越来越可靠、越来越安全。相信在不久的将来，AI将成为医疗体系中不可或缺的强大助力，为全球的患者造福！
人工智能×[生物神经科学数学物理化学材料]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。
