中山大學最新論文登上Cell頭條

撰文丨王聰

編輯丨王多魚

排版丨水成文

近日，來自中山大學中山眼科中心的一篇新論文登上了Cell Press官網頭條。

該研究以： The effectiveness of large language models in medical AI research for physicians: A randomized controlled trial 為題，于 2025 年 11 月 26 日發表于 Cell 子刊Cell Reports Medicine上 。 中山大學中山眼科中心林浩添教授、陳文賁副研究員為論文共同通訊作者，尚元君博士、林遠帆博士和李睿揚助理研究員為論文共同第一作者。

這項隨機對照試驗評估了大語言模型（LLM）在醫學人工智能研究中對醫生的有效性，結果顯示，大語言模型能夠幫助醫生克服技術障礙，協助醫生開展醫療人工智能研究，但也存在著幻覺和依賴性風險。

近年來，促進生物學、化學、物理學、材料科學、計算機科學和工程學等不同科學領域合作的跨學科研究，推動了眾多科學領域的突破，并開辟了新的增長途徑。例如，在數字醫學領域，臨床實踐、計算機科學及其他學科的知識和技術的融合，極大地推動了醫療保健服務的提升、患者參與度的提高、臨床結果的改善以及醫療保健系統的優化。

然而，盡管諸如人工智能（AI）之類的技術在生物醫學領域展現出巨大的應用潛力，但其廣泛應用卻因技術障礙而受到極大限制。醫生能夠提供寶貴的臨床見解和第一手經驗，但由于缺乏必要的多學科專業知識或技能，以及難以獲得工程技術人員的支持，他們在涉及 AI 技術的問題導向型研究中的參與可能會受到極大阻礙。對于那些身處偏遠醫院或大學的小型研究團隊或臨床團隊，以及那些難以獲取研究資源、跨學科合作和技術支持的年輕醫生來說，這一挑戰尤為明顯。

在這項最新研究中，研究團隊開展了一項優效性、開放標簽的隨機對照試驗，招募了64名初級眼科醫生，在最小化工程輔助的情況下進行為期兩周的“自動化白內障識別”項目。其中干預組（32人）使用大語言模型（LLM）ChatGPT-3.5，對照組（32人）則不使用。

結果顯示，干預組的項目總完成率高于對照組（87.5% vs. 25.0%），無輔助完成率同樣更高（68.7% vs. 3.1%）。干預組展現出更優的項目規劃能力和更短的完成時間。經過兩周洗脫期后，41.2% 的成功干預組參與者在沒有大語言模型（LLM）支持的情況下完成了新項目。

調查顯示，42.6% 的參與者擔心會不加理解地復述 AI 給出的信息，40.4% 的參與者擔憂 AI 會助長惰性思維，這表明 AI 對于醫生而言可能存在潛在依賴性風險。

因此，大語言模型雖能幫助醫生克服技術障礙，但其長期風險仍需進一步研究。

該研究的核心發現：

• 大語言模型（LLM）協助醫生開展醫療 AI 項目，完成率從 25% 提升至 87%；

• 在洗脫期后，41% 的成功干預醫生能夠獨立完成新項目；

• 大語言模型使醫療 AI 研究民主化，但存在幻覺和依賴風險；

• 提出了與大語言模型有效互動的初步提示指南。

總的來說，這項研究證明，大語言模型（LLM）能夠有效地幫助醫生克服與醫療 AI 項目的設計、執行和報告相關的專業知識和技術障礙。然而，該研究也觀察到使用大語言模型存在某些風險，例如 AI 的幻覺以及可能產生的依賴傾向。因此，還需要進一步的研究來評估長期使用大語言模型所形成的依賴風險。

論文鏈接：

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00542-7