撰文丨王聪腾思控股
编辑丨王多鱼
排版丨水成文
近年来，促进生物学、化学、物理学、材料科学、计算机科学和工程学等不同科学领域合作的跨学科研究，推动了众多科学领域的突破，并开辟了新的增长途径。例如，在数字医学领域，临床实践、计算机科学及其他学科的知识和技术的融合，极大地推动了医疗保健服务的提升、患者参与度的提高、临床结果的改善以及医疗保健系统的优化。
然而，尽管诸如人工智能（AI）之类的技术在生物医学领域展现出巨大的应用潜力，但其广泛应用却因技术障碍而受到极大限制。医生能够提供宝贵的临床见解和第一手经验，但由于缺乏必要的多学科专业知识或技能，以及难以获得工程技术人员的支持，他们在涉及 AI 技术的问题导向型研究中的参与可能会受到极大阻碍。对于那些身处偏远医院或大学的小型研究团队或临床团队，以及那些难以获取研究资源、跨学科合作和技术支持的年轻医生来说，这一挑战尤为明显。
2025 年 11 月 26 日，中山大学中山眼科中心林浩添教授团队在 Cell 子刊Cell Reports Medicine上发表了题为：The effectiveness of large language models in medical AI research for physicians: A randomized controlled trial 的研究论文。
这项随机对照试验评估了大语言模型（LLM）在医学人工智能研究中对医生的有效性，结果显示，大语言模型能够帮助医生克服技术障碍腾思控股，协助医生开展医疗人工智能研究，但也存在着幻觉和依赖性风险。
医生能够提供宝贵的临床见解，但他们在医学人工智能研究中的参与度，受到技术专长有限的限制。
在这项最新研究中，研究团队开展了一项优效性、开放标签的随机对照试验，招募了64名初级眼科医生，在最小化工程辅助的情况下进行为期两周的“自动化白内障识别”项目。其中干预组（32人）使用大语言模型（LLM）ChatGPT-3.5，对照组（32人）则不使用。
结果显示，干预组的项目总完成率高于对照组（87.5% vs. 25.0%），无辅助完成率同样更高（68.7% vs. 3.1%）。干预组展现出更优的项目规划能力和更短的完成时间。经过两周洗脱期后，41.2% 的成功干预组参与者在没有大语言模型（LLM）支持的情况下完成了新项目。
调查显示，42.6% 的参与者担心会不加理解地复述 AI 给出的信息，40.4% 的参与者担忧 AI 会助长惰性思维，这表明 AI 对于医生而言可能存在潜在依赖性风险。
因此，大语言模型虽能帮助医生克服技术障碍，但其长期风险仍需进一步研究。
该研究的核心发现：腾思控股
大语言模型（LLM）协助医生开展医疗 AI 项目，完成率从 25% 提升至 87%；
在洗脱期后，41% 的成功干预医生能够独立完成新项目；
大语言模型使医疗 AI 研究民主化，但存在幻觉和依赖风险；
提出了与大语言模型有效互动的初步提示指南。
总的来说，这项研究证明，大语言模型（LLM）能够有效地帮助医生克服与医疗 AI 项目的设计、执行和报告相关的专业知识和技术障碍。然而，该研究也观察到使用大语言模型存在某些风险，例如 AI 的幻觉以及可能产生的依赖倾向。因此，还需要进一步的研究来评估长期使用大语言模型所形成的依赖风险。
论文链接：
https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00542-7
富灯网配资提示：文章来自网络，不代表本站观点。
