主要作者与发表信息
本研究由吉林大学第二医院放射科的李杰（Jie Li）医师、肖亮（Liang Xiao）医师（共同第一作者），以及北京同仁医院放射科的鲜军舫（Junfang Xian）教授和吉林大学第二医院的刘建华（Jianhua Liu）教授（共同资深作者）等共同完成。研究发表于放射学领域顶级期刊《Radiology》2026年第320卷第3期，论文编号为e253579。
研究背景与目的
在影像诊断领域，“长尾分布”（long-tail distribution）是临床实践中的普遍现象：少数常见疾病占据了日常诊断的绝大部分，而大量低发病率、高复杂度的罕见疾病仅偶尔出现。对于全科放射医师（generalist radiologist）而言，对罕见病变的有限接触常常导致其给出的鉴别诊断（differential diagnosis）范围过宽、特异性不足，进而产生显著的诊断变异性。相比之下，亚专科放射医师（subspecialist）通过长期集中积累的经验，能够给出更自信、更具可操作性的诊断意见，从而提供更标准化的诊疗。这种持续存在的专业能力差距构成了关键的临床薄弱环节。
尽管人工智能（artificial intelligence）被寄予厚望，但现有的大多数部署工具仍局限于以图像为中心的算法，通常仅适用于狭窄的、面向特定任务的场景。此类“黑箱”模型在复杂的亚型层面鉴别诊断中表现欠佳，且其可解释性不足，限制了常规临床采纳。近年来，大语言模型（large language models，LLMs）为这一问题提供了新的解决思路。它们能够通过处理常规放射学报告中的描述性文本，模仿亚专科医师的高层语义推理过程，利用生长模式、强化动力学和临床病程等专家所用的语义线索，生成带明确支持性理由的排序鉴别诊断。然而，关于其在真实报告工作流中处理高复杂度任务的大规模证据仍然缺乏。
本研究旨在评估具备推理能力的生成式预训练转换器（generative pretrained transformer，GPT）GPT-5-thinking 能否在眼眶及头颈部肿瘤的MRI解读中达到与亚专科医师相似的诊断水平，并帮助弥合全科医师的专业能力差距。研究分为两个阶段：第一阶段在眼眶肿瘤组中进行深度评估，以确定模型相对于亚专科标准的诊断准确性；第二阶段则扩展至更具异质性的头颈部肿瘤组，以检验该框架在更广泛病理谱中是否保持相似的准确性模式。
研究设计与详细工作流程
本研究为一项双中心回顾性研究，在两个临床特征截然不同的三级教学医院开展。吉林大学第二医院（中心1）代表全科实践环境，眼眶和头颈部MRI解读并非其核心工作；首都医科大学附属北京同仁医院（中心2）则为专科实践环境，此类影像是其放射科医师的核心业务。研究经两家机构伦理委员会批准，豁免知情同意。
研究分为两个阶段，并应用于两个独立的患者组：眼眶肿瘤组（主要分析组）和头颈部肿瘤组（扩展验证组）。两组均为独立构建的便利系列（convenience series），总研究时段为2018年1月至2025年8月。最终研究样本包括1000名患者（平均年龄51岁±17.0岁；男性520名），其中眼眶肿瘤组600例（每中心各300例），头颈部肿瘤组400例（每中心各200例）。所有患者均经病理学证实，且具有治疗前MRI报告。
第一阶段：基准测试（Benchmarking） 该阶段将GPT-5-thinking的诊断结果与各中心常规临床报告中的原始诊断进行对比。研究者从每家中心的常规临床报告中提取了良恶性分类和Top-1诊断准确性，以代表真实世界的医师诊断水平（中心1为全科医师，中心2为亚专科医师）。GPT-5-thinking则独立处理相同的文本输入。模型的输入经过严格处理：整合了原始申请单中的临床信息和MRI报告中的“影像所见”部分，但手动移除了所有“诊断印象”以防标签泄漏，并排除了任何成像后临床记录或病理结果。模型采用确定性解码（temperature=0），在冻结、无状态、单轮对话的设置下进行评估。系统提示词由两位资深头颈部放射科医师（经验均超过15年）迭代优化，要求模型对每份报告输出良恶性分类及Top-3排序鉴别诊断，并给出简明、基于报告证据的推理。
第二阶段：配对读者辅助研究（Paired Reader-aid Study） 为控制肿瘤类型分布的影响，研究者从回顾性病例库中预先指定分层抽取了100份眼眶肿瘤报告，包括40例常见典型良性肿瘤、35例低频率恶性肿瘤和25例非典型良性肿瘤。来自中心1的七位全科放射医师（具有7-15年全科诊断经验）对这100份报告进行了两次解读：第一次为无辅助解读，第二次为间隔至少4周洗脱期后、在随机化报告顺序下的有GPT-5-thinking辅助解读。每位读者需记录良恶性分类、给出Top-3鉴别诊断并选定唯一的Top-1诊断，同时使用屏幕计时器记录阅读时间。在有辅助解读环节，读者可自由选择使用模型输出的方式和顺序，但最终报告责任仍由读者承担。
扩展诊断评估 为严格测试框架的推理极限与稳健性，研究者在眼眶肿瘤组内进行了四层扩展评估：（a）类别分析，通过良恶性混淆矩阵和类别级热图评估全谱系眼眶异常的判别准确性；（b）两项敏感性分析，一项限定在重叠入组时间窗口（2021年1月-2025年8月）以确认中心内稳定性，另一项排除两种最常见的病种以测试在“长尾”分布中的韧性；（c）性能上限分析，通过亚专科医师对模型错误报告进行输入信息重新评估以分离输入信息粒度的影响；（d）定性推理分析，对代表性MRI报告进行深入分析，以揭示模型的推理行为和典型失败模式。
统计分析方法 连续变量根据分布采用独立样本t检验或Mann-Whitney U检验；分类变量在独立组间采用χ²检验，配对数据采用McNemar检验。第二阶段中，配对准确性结果采用混合效应logistic回归模型分析，将辅助作为固定效应，读者和报告作为随机截距。阅读时间采用配对t检验比较。读者间一致性采用Fleiss κ评估，差异采用z检验。
主要研究结果
第一阶段结果 在眼眶肿瘤组中，中心1（全科环境）中GPT-5-thinking的良恶性分类准确性（92.0% vs 84.7%，p=.005）和Top-1准确性（74.0% vs 68.7%，p=.03）均显著高于常规全科医师。中心2（亚专科环境）中，模型的良恶性分类准确性（92.7% vs 93.7%，p=.76）和Top-1准确性（76.7% vs 78.3%，p=.64）与亚专科医师相当，差异无统计学意义。
第二阶段结果 在眼眶肿瘤读者研究中，共记录1400次读者解读（无辅助700次，有辅助700次）。有辅助时，全科医师的良恶性分类准确性从85.3%提升至90.9%（p=.001），Top-1准确性从61.4%提升至70.3%（p<.001）。敏感性（指恶性病变的正确分类）从67.8%显著提升至80.0%（p<.001）。Top-2准确性从69.7%提升至81.4%（p<.001），Top-3准确性从79.0%提升至83.0%（p=.04）。阅读时间从平均2.16分钟±0.22降低至1.84分钟±0.25（p=.02）。读者间一致性Fleiss κ从0.41提升至0.71（p<.001）。报告质量评分从2.89±0.20提升至3.46±0.42（p<.001）。
扩展评估结果 类别分析显示，无辅助时多个恶性类别在热图上被频繁误分类，恶性分类正确率仅为67.8%；有辅助后提升至80.0%。敏感性分析方面，在重叠入组窗口分析中，模型Top-1准确性仍显著高于同期全科医师（75.5% vs 69.0%，p=.03）。在排除海绵状静脉畸形和多形性腺瘤后的异质性肿瘤子集（n=238）中，模型Top-1准确性为64.7%，而未辅助全科医师仅为46.2%（p<.001）。性能上限分析发现，50.0%（78例中的39例）的模型错误报告在经亚专科医师审核优化输入后得到纠正，提示输入信息不足是模型错误的重要来源。定性推理分析揭示了模型的几个关键推理模式：优先考虑客观影像标记而非临床背景（有助于对抗锚定偏倚）；当信号特征与解剖学约束冲突时采用“位置优先”层级；通过提示细微征象引导读者关注未被纳入的发现；以及放射学模拟病变（radiologic mimics）是人类与人工智能共同面临的认知边界。
头颈部扩展组结果 在中心1的基准测试中，模型Top-1准确性（64.0%）远超常规全科医师（27.0%，p<.001）；在喉/咽亚组中差异最大（87.5% vs 0.0%）。在中心2，模型Top-1准确性与亚专科医师相当（67.5% vs 68.0%，p=.92）。在包含100例报告（700次解读）的配对读者辅助亚研究中，全科医师Top-1准确性从47.0%提升至61.0%（p<.001）。
研究结论与价值
本研究首次提供了大规模证据，证明推理型大语言模型GPT-5-thinking通过解读常规MRI报告文本，能够在眼眶及头颈部肿瘤的诊断中达到与亚专科医师相当的Top-1诊断准确性，并且其辅助使用能够显著提高全科放射医师的诊断准确性、良恶性分类能力、读者间一致性和报告质量，同时缩短阅读时间。这一发现具有重要的科学与应用价值：在科学层面，它证明了基于语义推理的LLMs能够利用报告文本中蕴含的专家级语义约束，将碎片化的影像线索组织为连贯的诊断框架，从而在“长尾”分布场景中优于仅基于像素训练的窄任务模型。在应用层面，它提出了一种工作流契合、可审计、可解释的辅助模式——模型并非替代放射医师，而是作为“亚专科咨询”工具，帮助全科医师在保持最终诊断责任的同时获得专家级的诊断推理支持。
研究亮点与局限性
本研究的亮点在于：其一，采用双中心、两阶段设计，将模型性能与真实世界的全科和亚专科临床报告直接对比，而非与固定读者面板比较；其二，深入的长尾敏感性分析证明了模型在排除常见特征性病变后仍能保持约20个百分点的优势；其三，通过性能上限分析提出了“忠实性悖论”（fidelity paradox）的概念——模型推理能力受限于源报告的信息完整性，这为未来通过结构化报告和“最小描述符清单”来优化人机协作提供了方向。研究团队还开发了OrbitAssist系统以标准化输入质量。然而，研究也存在局限性：样本采用非连续的反向时间顺序入组，可能引入选择偏倚和病例组合效应；模型使用方式为读者自主决定，观察到的增益反映的是“读者-模型交互”而非模型单独作用；且模型输出依赖于报告的完整性和特异性。研究结论为观察性和假设生成性质，未来需要前瞻性多中心研究验证。
其他有价值的内容
研究还提供了亚位点的详细分析：在喉/咽部模型中优势最大，这可能与该区域MRI多用于分期而定性诊断依赖内镜或活检的保守报告模式有关；在深部颈间隙和颅底，复杂解剖和有限报告特异性同时限制了人类与模型的推断。这些发现强调了LLMs能够重组可用信息但无法从源文本中恢复决定性缺失证据的边界，为临床转化提供了重要参考。