机器人 vs. 医生——谁在阅读肱骨近端骨折的X光片方面更擅长？

《JSES International》：Bot vs. Doc – Who is Better at Reading Proximal Humerus Fracture X-Rays?

ChatGPT-5在评估肩部X光片中PHFx（近端肱骨骨折）的准确性较低，敏感度61.8%、特异度74.3%，整体准确率67.1%。AI对正常X光误诊率25.7%，对孤立PHFx漏诊率23.5%，且在骨折部位（AN/SN/GT/LT）、Neer分型（1-4型）和肱骨头位置判断上均存在显著错误，与不同层级外科医生可靠性评分差异大（Kappa值-0.02至0.88）。研究强调AI不应作为临床决策主要依据，需结合影像学检查和临床评估。

　　
该研究系统评估了ChatGPT-5在近端肱骨骨折（PHFx）的影像学诊断能力，以及与不同层级骨科医生在评估结果上的可靠性差异。研究基于斯坦福大学公开的骨骼肌骨骼放射学数据集（MURA），通过严格筛选获得70例肩部X光片（35例PHFx，35例正常），由四位不同资历的骨科医生独立评估，并与ChatGPT-5的诊断结果进行对比。

在基础诊断能力方面，ChatGPT-5对正常X光片的识别准确率为74.3%，但对PHFx的敏感性仅为61.8%，特异性74.3%，总体准确率67.1%。值得注意的是，该模型在正常病例中误诊为骨折或脱位的情况占比达25.7%，而在PHFx病例中，23.5%的病例被错误判定为正常，8.8%被误诊为单纯脱位。这些数据表明，AI模型在区分正常与异常病例时存在显著误差，尤其在PHFx的亚型分类上表现欠佳。

研究特别关注Neer骨折分型系统，发现ChatGPT-5对骨折部位（如解剖颈、外科颈、大/小结节）的识别准确率仅为25.7%，对脱位方向的判断正确率更低（34.3%）。在评估关节位置时，该模型错误认定8.8%的位于性骨折为脱位状态，这种定位误判可能直接影响临床决策，例如是否需要紧急进行关节复位。

在评估者可靠性方面，ChatGPT-5与骨科医生的Kappa值均处于低位（-0.02至0.06），显示极差的 Interrater可靠性。相比之下，住院医师与主治医师的Kappa值介于0.52（中度）至1.0（完美），显示专业评估体系的高度一致性。值得注意的是，即使经验最丰富的住院医师，其与AI的Kappa值也仅为0.06，这提示当前AI模型在PHFx诊断中尚未达到临床可用的可靠性标准。

研究方法创新性地采用分层评估机制，通过响应式算法逐步深入提问，但即便如此，ChatGPT-5在复杂病例（如骨折伴脱位）的诊断准确率仍不足60%。这可能与模型在处理多模态影像数据时的局限性有关，研究特别指出实验数据以PDF格式提供，缺乏电子病历系统中的临床上下文（如病史、体格检查结果）和影像设备的原始参数（如位移量、成角角度），这可能导致AI在临床场景中表现更差。

讨论部分揭示了当前AI影像诊断的三大瓶颈：其一，模型对细微结构变化的敏感性不足，例如难以区分0.5mm的位移差异；其二，缺乏临床逻辑推理能力，无法综合影像特征与患者症状进行诊断；其三，存在系统性误判倾向，如将正常关节活动度误判为脱位。这些缺陷在急诊场景中尤为危险，可能导致过度诊疗或延误治疗。

研究同时对比了不同训练背景的骨科医生表现：住院医师在骨折部位识别上的Kappa值0.71，主治医师0.65，而高年资专科医师达到0.88，显示专业培训对诊断准确性的决定性影响。这种差异印证了传统医学教育体系在培养影像诊断能力方面的优势。

研究局限性方面，首先数据源限制（仅PDF格式）可能影响AI的表现，其次样本量较小（70例）且未包含复杂病例（如开放性骨折、陈旧性损伤），最后未涉及影像设备的类型差异（如DR与CT），这些都可能成为未来改进方向。

该研究为AI在骨科影像诊断中的应用提供了重要参考。虽然ChatGPT-5展现出一定的初步应用潜力，但其诊断准确率显著低于专业医师，且存在特征性误判模式。研究强调，在急诊分诊、基层医疗等场景中，AI可作为初步筛查工具，但必须结合临床医生的专业判断，不能替代人类医生的终审权。建议后续研究应整合多模态数据（如CT三维重建、MRI动态序列），并建立动态评估模型，同时加强医学伦理审查，明确AI工具的临床应用边界。