大型语言模型在宫颈细胞学诊断中的辅助价值评估：ChatGPT与Gemini的互补性与局限性

【编辑推荐】本研究首次系统评估通用大语言模型（LLM）在宫颈细胞学（NILM/LSIL/HSIL/SCC/ADC）诊断中的表现，发现ChatGPT-4定制版（GPT）与Gemini 2.5 Pro虽能区分正常/异常细胞（敏感度85.4%-100%），但对癌前病变（如HSIL识别率仅6%-63%）和感染诊断准确性不足，提示当前LLM尚不能替代专业病理诊断。

　　

Highlight

图像采集与特征

诊断级高倍视野图像来自武汉兰丁医学高科技股份有限公司（中国湖北）的存档库。这些图像采集自液基宫颈涂片（巴氏染色），40倍放大，尺寸384×384像素（.png格式）。两位病理学家（AA和SA）独立诊断每张图像，存在分歧时由第三位资深病理学家（AB）仲裁。最终选定200张图像：100例阴性（NILM），100例异常（含20例LSIL、20例HSIL、20例SCC、20例AIS、20例ADC）。

区分正常与异常细胞学

评估GPT区分正常（NILM）与异常宫颈细胞的能力时，其平均敏感度85.4%、特异度92.7%、阳性预测值92.3%、阴性预测值86.5%（附图1）。这表明GPT能初步筛选异常病例，但——

诊断准确性

GPT对不同病变类型的诊断表现差异显著：识别NILM最准（89.2%），但对LSIL（34%）、HSIL（6%）、ADC（28%）的准确率骤降。有趣的是，ChatGPT o3与Gemini 2.5 Pro展现互补性——前者擅长NILM识别（89.2% vs 67.2%），后者对LSIL（85%）、HSIL（63%）、ADC（91%）更敏感。不过，思维链提示（chain-of-thought prompting）或多图输入并未显著提升准确性。

讨论

虽然定制版GPT能有效识别正常细胞，但其对异常细胞的诊断堪称"灾难"：SCC识别率为0%，HSIL仅56.5%，且常将SCC/ADC误判为HSIL。更糟的是，两种模型对宫颈阴道感染的诊断几乎"全军覆没"。

Conclusion

当前通用大语言模型（LLM）在宫颈细胞学诊断中呈现"偏科"现象——虽具筛查潜力，但对癌前病变和恶性肿瘤的识别可靠性不足，暂不建议作为临床辅助工具。未来需开发针对细胞学优化的专业模型。