中国发表 | 中国皮肤科医生银屑病临床场景大语言模型应用偏好特征

点击蓝字 关注“拓麦Derm”

近日，一项由北京大学中日友好临床医学院、中日友好医院皮肤科崔勇教授及左先波研究员团队完成的全国性横断面研究，正式发表于国际期刊Health Care Science。该研究是国内首个大规模聚焦皮肤科临床医生对大语言模型（Large Language Model, LLM）临床应用偏好的全国性调查，系统阐明了中国皮肤科医生在银屑病临床场景中对不同LLM的选择倾向，以及对LLM回复质量的核心评价维度，为临床级LLM的研发与皮肤科场景落地提供了关键循证依据。

ChatGPT-4o在全临床场景中获得一致最高偏好

研究结果显示，ChatGPT-4o在全部5类银屑病临床场景中，均成为皮肤科医生最偏好的模型，在各场景中的最高选择票数分别为：病例分析（n=740）、鉴别诊断（n=707）、临床表现（n=666）、治疗方案（n=656）、病因（n=602）。Kimi.ai为第二偏好模型，在治疗、病因场景中表现突出；其余3款模型选择率相对较低，左医GPT整体获票最少。

亚组分析提示，仅在鉴别诊断任务中，不同职称医生的模型偏好存在统计学差异（χ²=21.13，df=12，p=0.0485）；其余4类临床场景中，不同职称、不同医院等级的医生模型偏好均无统计学差异（均P>0.05），证实ChatGPT-4o的临床偏好度在不同层级的中国皮肤科医生中具有高度一致性。

准确性为首要评价标准，可溯源性在基层医院优先级显著提升

在LLM回复质量的评价维度中，准确性是皮肤科医生的首要核心标准，共有635名医生将其评为“非常重要”，占比远超其他维度；全面性、可溯源性、简洁性、逻辑性被评为“非常重要”的人数分别为50、46、41、33。同时，绝大多数医生将其余4个维度均评为“重要”及以上，其中可溯源性（n=837）、全面性（n=825）、逻辑性（n=821）获得了极高的重要性认可度，证实上述维度均为临床医生评估LLM临床适用性的关键指标。

亚组分析显示，医院等级与医生最看重的评价维度存在显著统计学关联（χ²=27.667，df=9，p=0.0011），其中基层医院皮肤科医生相较三级、二级医院同行，对可溯源性的优先级显著更高；不同职称医生对各评价维度的优先级偏好无统计学差异（χ²=13.88，df=9，p=0.127）。

不同LLM的临床输出质量存在特征性差异

研究团队由3名皮肤科与人工智能领域专家，对5款模型的生成内容进行了独立定性评审，结果显示：

• Kimi.ai在准确性、全面性、逻辑性、来源可溯源性方面表现优异，是唯一在回复中纳入明确引用文献的模型，高度契合临床决策支持的透明性与可验证性需求；

• ChatGPT-4o回复清晰简洁、语言流畅自然，豆包回复内容更为详尽，但二者均缺乏明确参考文献，限制了内容的临床可溯源性；

• 灵犀智能体适用于低风险场景的通用信息检索，但临床专业深度不足；

• 左医GPT存在内容准确性与逻辑一致性缺陷，部分回复的事实正确性存疑。

本研究是国内首个大规模、全国性的皮肤科医生LLM临床应用偏好调查，填补了国内皮肤科领域以临床终端用户为中心的LLM应用评估空白。研究结果证实，尽管ChatGPT-4o在银屑病临床场景中获得了中国皮肤科医生的广泛偏好，但临床医生对LLM的临床需求是多维度的——除了核心的内容准确性，可溯源性、逻辑性同样是决定LLM临床适用性的关键指标，尤其对于基层医疗机构的医生而言，来源可追溯的内容是其临床应用的核心前提。

同时研究发现，LLM回复的可读性、语言自然度会显著影响医生的主观偏好，提示未来临床级LLM的研发，