復旦大學最新Cell子刊：DeepSeek-R1、GPT-4等大語言模型可增強肺癌篩查的臨床決策

撰文丨王聰

編輯丨王多魚

排版丨水成文

肺癌是全球最具侵襲性和普遍性的癌癥之一，2020 年預估新增病例達 220 萬例，死亡病例達 180 萬例。多數肺癌病例在進展至晚期前無明顯癥狀，而晚期治療選擇往往有限，導致五年生存率低于 10%。

大語言模型（LLM）在臨床應用中的探索日益增多，但其生成肺癌篩查管理建議的能力仍不確定。

2025 年 11 月 21 日，復旦大學中山醫院譚黎杰教授團隊等在 Cell 子刊Cell Reports Medicine上發表了題為：Multi-center benchmarking of large language models for clinical decision support in lung cancer screening 的研究論文。

該研究進行了多中心基準測試，評估了六款大語言模型（LLM）在肺癌篩查臨床決策支持中的應用，結果顯示，Claude 3 Opus生成的建議可讀性最高，而GPT-4的臨床準確性最高。此外，GPT-4o和DeepSeek-R1，表現與 GPT-4 相當，均優于 GPT-3.5。這些發現表明，大語言模型有可能在不同醫療環境中增強肺癌篩查的臨床決策支持。

自美國國家肺癌篩查試驗證明年度低劑量計算機斷層掃描（LDCT）篩查可顯著降低肺癌死亡率后，LDCT 已成為改善預后和生存率的關鍵策略，尤其對肺癌高危人群而言。LDCT 掃描過程中有時會偶然發現被稱為肺結節的小團塊（＜3厘米）。發現結節后需立即決策：是采取正電子發射斷層掃描-CT、活檢甚至手術等即時干預措施，還是僅需制定不同間隔期的常規隨訪方案。此類決策通常由門診醫生完成，因此可能受益于專業的臨床決策支持系統。

大語言模型（LLM）是基于數十億來自文章、書籍和其他互聯網內容的單詞訓練而成的人工智能系統。在過去兩年中，越來越多的研究探索了 LLM 在支持診斷和治療決策方面的巨大潛力。在肺癌領域，LLM 已被用于回答非專業人士的肺癌相關問題、對自由文本 CT 報告進行數據挖掘以及評估肺結節患者的縱向 CT 圖像。最近有兩項研究評估了開源大語言模型DeepSeek-R1在臨床決策中的表現，結果表明，其與 OpenAI 的GPT-4o等領先的專有大語言模型不相上下。然而，這些研究僅限于從醫學教科書和學術期刊中獲取的病例報告，因此在實際臨床應用方面存在不足。

在這項最新研究中，研究團隊開展了一項多中心的橫斷面研究，旨在評估大語言模型（LLM）是否適合作為決策支持工具，為首次低劑量計算機斷層掃描（LDCT）中偶然發現肺結節的患者提供常規癌癥篩查的管理建議，而這是肺癌篩查臨床管理中的一個緊迫挑戰。

為了盡可能真實地模擬癌癥篩查場景，研究團隊從三家不同的醫療機構收集了 LDCT 報告。將這些報告翻譯成英文并去除所有患者可識別信息后，準備了 148 份匿名的 LDCT 報告以供大語言模型（LLM）使。在評估階段，研究團隊系統地評估了四種廣泛使用的 LLM——GPT-3.5、GPT-4、Claude 3 Sonnet和Claude 3 Opus——在這些醫院中的可讀性、準確性以及一致性。為了與該領域的最新進展保持一致，研究團隊還使用一家醫院的 LDCT 報告對兩種最先進（SOAT）模型——專有的GPT-4o及開源的DeepSeek-R1進行了探索性分析。

評估結果顯示，Claude 3 Opus生成的建議可讀性最高，而GPT-4達到了最高的臨床準確性。重要的是，這些大語言模型對來自不同醫院的報告之間的性能差異并不顯著，這突顯了這些大語言模型對報告模板變化的穩健性以及在不同醫療環境中的實用性。在探索性分析中，兩款最先進（SOAT）模型——專有的GPT-4o及開源的DeepSeek-R1，表現與 GPT-4 相當，均優于 GPT-3.5。

該研究的亮點：

• 多中心橫斷面研究對六種大語言模型（LLM）在肺癌篩查中的表現進行基準測試；

• 真實世界的低劑量計算機斷層掃描（LDCT）報告評估了 LLM 在管理建議方面的表現；

• GPT-4 準確度最高，而 Claude 3 Opus 的可讀性最佳；

• GPT-4o 和 DeepSeek-R1 的表現與 GPT-4 相當，并且優于 GPT-3.5。

總的來說，這些發現表明，大語言模型（LLM）有可能在不同醫療環境中增強肺癌篩查的臨床決策支持。

論文鏈接：

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00538-5