在日本顺天堂大学副教授和田明彦（Akihiko Wada）领导的研究团队的一项新研究中，研究人员展示了如何利用检索增强生成（Retrieval-Augmented Generation, RAG）技术显著提高本地部署的大型语言模型（LLMs）在放射学造影剂咨询中的安全性、准确性和响应速度。这项研究于2025年7月2日在线发表在《npj Digital Medicine》期刊上，论文DOI为[10.1038/s41746-025-01802-z](
现代医院中，及时且精准的决策至关重要，尤其是在放射学领域，造影剂的使用通常需要根据复杂的临床指南快速作出判断。然而，医生往往在压力下做出这些决定，而无法即时获取所有相关信息。对于那些必须避免使用云端工具以保护患者数据的医疗机构来说，这一挑战尤为突出。
研究团队开发了一种基于RAG技术的本地语言模型，并在100个模拟病例中进行了测试，这些病例涉及碘化造影剂——一种常用于CT成像的成分。这类咨询通常需要根据肾功能、过敏史和用药历史等因素进行实时风险评估。该增强模型与三种领先的云端AI系统（包括GPT-4o mini、Gemini 2.0 Flash和Claude 3.5 Haiku）以及其自身的基线版本（标准LLM）进行了对比。
结果令人瞩目。RAG增强模型完全消除了危险的“幻觉”（从8%降至0%），并且比云端系统响应更快（平均2.6秒，相比之下云端系统为4.9至7.3秒）。尽管云端模型表现良好，但RAG增强系统缩小了性能差距，提供了更安全、更快的结果，同时将敏感医疗数据保留在本地。“在临床应用中，将幻觉减少到零是一项安全性的突破，”和田博士表示，“这些幻觉可能导致对比剂剂量建议错误或遗漏禁忌症。我们的系统生成了基于指南的准确响应，没有犯这些错误。”此外，该模型在标准医院计算机上运行高效，无需昂贵的硬件或云端订阅，这对放射科人员有限的医院尤其有价值。
这一工作的灵感直接来源于临床经验。“我们经常遇到复杂的造影剂决策问题，需要在时间压力下查阅多个指南，”和田博士回忆道，“例如，涉及多种风险因素的患者——肾功能下降、药物相互作用或过敏史。我们意识到，AI可以简化这一过程，但前提是能够将敏感的患者数据保留在机构内部。”RAG增强模型通过动态检索经过验证的知识库信息（包括国际放射学指南和机构协议）来运作，确保每个响应都基于经过验证、最新的医学知识，而不是仅仅依赖预训练数据。
除了放射学，研究人员还设想将这项技术应用于急诊医学、心脏病学、内科甚至医学教育领域。它也可能为农村医院和资源匮乏地区的医疗服务提供者带来变革，通过即时访问专家级指导改善医疗服务。
总体而言，这项研究代表了临床AI领域的重大突破——证明了在不牺牲患者隐私的情况下实现专家级性能的可能性。RAG增强模型为更安全、更公平、可立即部署的医疗AI解决方案铺平了道路。在全球医院努力平衡技术进步与伦理责任之际，这项研究提供了一条切实可行且可扩展的前进路径。
“我们认为这标志着AI辅助医学的新时代，”和田博士说道，“一个临床卓越与患者隐私相辅相成的时代。”
(全文结束)
