LLM临床分诊建议基准：与医生专家对比
原文标题：Sense and Sensitivity: Benchmarking LLM Clinical Triage Recommendations with Physician Experts
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究构建了包含6000多个临床场景、7000条医生标注与22.5万条模型回复的基准，在保持临床情境不变的文本扰动下比较LLM与执业医师的分诊建议。结果显示LLM在基线时更易推荐不必要医疗，且在输入扰动下倾向加剧，对性别与语气变化比人类更敏感。作者呼吁以专家医生行为为基准开展面向部署的评估。
- 问题
- LLM 临床分诊建议在临床无关的文本扰动下是否可靠，缺乏与执业医师的对照评估。
- 方法
- 构建 6000+ 场景、7000 条医生标注、22.5 万条模型回复的基准，在保持临床情境的扰动下对比 LLM 与医生。
- 结果
- LLM 基线更易推荐不必要医疗且扰动下加剧，对性别与语气变化比人类更敏感。
- 影响
- 提示临床部署前必须做扰动鲁棒性测试，医疗 AI 产品需以医生行为为基准而非仅看准确率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
6000+场景、22.5万条模型回复显示：LLM比医生更易推荐不必要医疗，且扰动下倾向加剧。
- •基准含6000多个临床场景、7000条医生标注与22.5万条模型回复
- •扰动保持底层临床情境不变，仅改变文本表述
- •LLM在基线时比执业医师更倾向推荐不必要医疗，输入扰动后该倾向进一步上升
- •LLM建议对性别与语气扰动的敏感度高于人类医生建议
为什么重要：临床分诊部署评估应以专家医生行为为参照，而非仅看静态问答准确率；文本无关变化即可改变建议，是上线前的硬性风险点。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。