编辑推荐：
为解决膀胱镜图像解读存在的主观性强、观察者间差异大等问题，研究人员开展了 “诊断性能的先进大型语言模型在膀胱镜检查” 主题研究。结果显示 ChatGPT-4 V 和 Claude 3.5 Sonnet 综合诊断准确率为 89.2%。该研究为泌尿外科诊断提供新方向。
在泌尿外科领域，膀胱镜检查一直是诊断多种泌尿系统疾病的重要手段。它就像医生的 “眼睛”，能直接观察膀胱和下尿路的情况，帮助发现膀胱肿瘤、尿路感染以及结构异常等问题。然而，传统的膀胱镜图像解读却面临着诸多挑战。一方面，不同医生对图像的解读存在差异，这就好比不同人看同一幅画会有不同理解一样，这种差异可能导致诊断结果的不准确。另一方面，对于经验不足的泌尿外科住院医生来说，面对复杂多样的病理图像，他们往往感到力不从心，难以做出准确判断。而且，不同地区的培训重点不同，也使得膀胱镜检查的诊断缺乏标准化和客观性。
为了解决这些问题，武汉大学中南医院的研究人员开展了一项关于大型语言模型（Large Language Models，LLMs）在膀胱镜图像诊断中应用的研究。该研究成果发表在《BMC Urology》上。
研究人员为了评估 LLMs 在膀胱镜图像解读中的诊断能力，选取了两种处于人工智能技术前沿的先进 LLMs，即 ChatGPT-4 V 和 Claude 3.5 Sonnet。他们对 101 例患者的 603 张膀胱镜图像进行了回顾性分析，并将 LLMs 的诊断结果与标准临床诊断评估进行系统比较。
在研究方法上，研究人员从武汉大学中南医院门诊收集了 2023 年 7 月至 2024 年 11 月间的膀胱镜图像，经过严格筛选，排除了血尿、严重感染和图像质量不佳等不符合要求的图像，最终确定了 603 张图像作为研究样本。之后，由两位经验丰富的泌尿外科专家独立评估这些图像，形成标准诊断结果。对于疑似恶性肿瘤的病例，还结合组织病理学评估进一步确认诊断。在图像分析阶段，研究人员利用 ImageJ 软件对图像进行处理，将其转化为 8 位格式，并应用选择性阈值处理，优化图像以适应 LLMs 分析。在评估 LLMs 性能时，设定了整体诊断准确率作为主要指标，同时针对不同泌尿系统疾病和正常解剖结构的诊断准确率作为次要指标。统计分析则采用描述性统计和森林图等方法，使用 Comprehensive Meta Analysis V3 和 IBM SPSS version 27.0 软件进行数据处理。
研究结果显示，ChatGPT-4 V 和 Claude 3.5 Sonnet 的综合诊断准确率达到 89.2%，其中 ChatGPT-4 V 的准确率为 82.8%，Claude 3.5 Sonnet 的准确率为 79.8%。在正常解剖结构检测方面，Claude 3.5 Sonnet 在输尿管口识别上表现更优，准确率达 61.0%，而 ChatGPT-4 V 在膀胱颈识别上略胜一筹，准确率为 97.9%。在特定泌尿系统疾病检测中，ChatGPT-4 V 对膀胱肿瘤的诊断准确率高达 92.2%，Claude 3.5 Sonnet 对膀胱炎的诊断准确率则高达 98.9%。然而，在良性前列腺增生（Benign Prostatic Hyperplasia，BPH）的诊断上，两者准确率都较低，ChatGPT-4 V 为 35.3%，Claude 3.5 Sonnet 为 32.4%。
研究结论表明，先进的语言模型在膀胱镜图像解读中展现出了不同水平的诊断准确性，在膀胱炎检测方面表现出色，但在其他疾病，尤其是 BPH 的诊断上还有待提高。这一研究成果为 LLMs 在泌尿外科诊断中的应用提供了重要依据，特别是对于处于培训阶段或早期职业生涯的泌尿外科医生来说，LLMs 有望成为他们的有力辅助工具。不过，研究也存在一定局限性，如样本量有限、未涉及实时临床决策场景等。未来，需要进一步开展大规模前瞻性研究，优化模型性能，加强 AI 与临床数据的融合，探索其在实时视频膀胱镜检查中的应用潜力，同时解决伦理和法律等相关问题，推动 LLMs 在泌尿外科临床实践中的广泛应用，从而提高泌尿系统疾病的诊断准确性和效率，为患者提供更好的医疗服务。
