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

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，不仅要聚焦医学内容的准确性与专业性，更要兼顾内容呈现形式、来源透明度、结构逻辑性，贴合不同层级临床医生的实际诊疗需求，才能真正实现LLM在皮肤科临床场景的安全、规范化落地。

本研究也存在一定局限性，包括便利抽样导致的样本向三级医院倾斜、仅聚焦银屑病单病种、未纳入多模态诊疗等更丰富的临床场景、仅评估医生主观偏好未分析LLM对实际诊疗结局的影响等。未来研究将进一步纳入客观量化评价指标，拓展疾病谱与临床应用场景，为临床级LLM的研发与皮肤科临床落地提供更全面的循证依据。