大型推理模型在临床诊断中的准确率与安全权衡

研究基于真实电子健康记录构建了长上下文诊断推理基准 AIMS-LDR，覆盖 6 对匹配模型和 12 个专科，发现大型推理模型（LRM）相比对应的标准大语言模型（LLM）假阳性诊断多出 34% 以上、可重复性低约 40%，但主要诊断更准确、鉴别诊断更具临床相关性。这一权衡在多种提示设计、模型超参数和评测范式下均得到验证。在一项 15 名医生参与的验证研究中，由 LRM 拓宽诊断覆盖范围、医生核验可靠性的结构化协作模式使诊断准确率提高 20%、假阳性减少 44%。作者指出结果来自受控的回顾性条件，LRM 推理配合医生监督或有助于更安全准确的诊断决策，临床部署前仍需前瞻性验证。