人工智能（AI）正在迅速改变医疗保健领域。AI系统如今能够从视网膜照片中检测糖尿病眼病，并分析CT图像以发现早期肺癌和中风的迹象。目前，在全国乃至全世界的医院中，专门的算法正在默默地协助医生，优先处理紧急扫描，并标记出可能被忽略的细微异常。这些专门的AI工具——通常在数百万张精确分类的医学图像上训练——正越来越多地融入实际临床实践中。
与此同时，另一种形式的AI吸引了公众的注意：大型语言模型（LLM）。这些广泛可用的系统，例如ChatGPT和Claude，能够同时分析文本和图像。理论上，这些能力应该使它们非常适合医疗任务，但通用AI平台在医学诊断方面是否可靠呢？
由纽约理工学院（New York Institute of Technology）骨科学院副教授Milan Toma博士领导的一项新研究给出了否定答案。正如学术期刊《Algorithms》所报道的，Toma及其合著者——包括NYITCOM高级开发安全运维工程师Mihir Matalia和医学生Sungjoon Hong——测试了世界上一些最先进的多模态LLM（GPT-5、Gemini 3 Pro、Llama 4 Maverick、Grok4和Claude Opus 4.5 Extended）的可靠性。
研究人员向每个AI模型提供了相同的CT脑部扫描图像，该图像显示明确的颅内病变。然后，他们要求这些模型像放射科医生一样分析图像——识别所使用的成像技术、病变在大脑中的位置、主要诊断、关键特征以及可能的替代诊断。总体而言，研究结果显示，AI模型在基本诊断方面的错误率达到20%，并且在解释和评估方面存在令人担忧的变异性。
起初，这些模型给出了有希望的结果：五个模型都正确地将图像识别为CT脑部扫描。其中四个模型还发现了一个关键发现：左侧大脑中动脉附近的缺血性中风。然而，有一个模型犯了一个基本错误，错误地将中风归类为大脑对侧的出血。在真实的临床环境中，这种错误可能严重损害患者的健康，因为缺血性中风和出血性中风需要不同的治疗方法。
即使在得出正确诊断的四个AI模型中，它们的解释也大相径庭。一些模型对中风首次发生的时间给出了不同的解释；其他模型则在替代诊断、受影响的额外大脑区域以及钙化问题上存在分歧。研究人员随后引入了一个新颖的环节：他们要求每个AI模型对其他模型的诊断解释进行评分。这种交叉评估暴露了更多的不一致性，一些模型评分比其他模型更严苛。其中一个模型甚至认为这些发现显示的是慢性脑部异常，而非急性中风，并因此系统性地扣减了其他模型的分数。
近年来，Toma已经发表了30多篇关于AI在医学诊断和医疗保健领域的同行评审研究，以及两本相关主题的书籍。
“我们的研究凸显了AI领域的一个关键区别。大多数成功的医学AI工具是特定任务的算法，它们在大量标记的医学图像数据集上训练，并针对非常具体的诊断任务进行了验证。然而，大型语言模型并非为诊断而优化——它们是为语言和对话而构建的。因此，它们生成看似权威的解释，即使其底层解释是错误的或不一致的。”——Milan Toma博士，纽约理工学院骨科学院副教授
Toma和他的合著者得出结论，未来医疗AI的发展很可能会结合专门的诊断系统和语言模型。然而，尽管LLM可能对临床文档、总结报告或与患者沟通有用，但医学专家的监督在所有诊断解释中仍是不可妥协的。
来源：纽约理工学院（New York Institute of Technology）
期刊参考文献：Hong, S., et al. (2026). Chatting Ain’t Diagnosing: Diagnostic Variability and Fundamental Errors in Multimodal LLM Interpretation in Radiology. Algorithms. DOI: 10.3390/a19030170.
【全文结束】