大型语言模型（LLMs）在肌肉骨骼肿瘤学中的变革潜力：从精准诊断到个性化治疗

这篇综述系统探讨了生成式人工智能（AI）尤其是大型语言模型（LLMs）在肌肉骨骼（MSK）肿瘤学中的应用前景，涵盖文献综述加速、患者教育优化、影像与病理辅助诊断（如CNN、Transformer架构）、临床决策支持（如NCCN指南整合）等场景，同时指出其局限性（如幻觉、数据偏差）及伦理挑战，为AI驱动精准医疗提供新视角。

　　

Highlight

大型语言模型（LLMs）正在通过增强信息合成、决策支持和患者沟通重塑医疗领域，尤其在骨科肿瘤学中展现出独特价值。尽管当前存在局限性，但其在减轻行政负担（如医疗文档处理）和改善骨科亚专科工作环境方面的潜力已崭露头角。此外，LLMs能够快速整合医学文献，为罕见肿瘤提供个性化治疗建议，并通过逻辑推理辅助临床决策，显著提升了多学科协作效率。

Limitations and Ethical Challenges of AI and LLMs in Medicine

AI模型尤其是LLMs存在明显缺陷：其输出质量直接受训练数据影响，可能导致隐性偏见、幻觉（hallucinations）和临床高风险错误。更关键的是，LLMs常被视为"黑箱"，缺乏决策过程透明度——这对需要可追溯性的医疗场景构成挑战。其他问题包括患者数据隐私风险（如HIPAA合规性）、模型泛化能力不足（尤其在非英语语料和小众病种如肉瘤中），以及可能加剧医疗资源分配不平等。

Conclusion

生成式AI和LLMs为肌肉骨骼肿瘤学（MSK Oncology）带来了提升临床诊疗、科研和医患沟通的革命性机遇。它们在提高诊断精度（如骨肿瘤影像分类）、优化文献综述、辅助病理报告解读等方面已证明有效性，而整合权威指南（如NCCN）可进一步强化决策可靠性。然而，必须通过持续监督、伦理框架完善和临床验证来规避风险，最终实现技术与人类专业知识的协同增效。

（注：翻译严格保留专业术语如Transformer架构、NCCN指南等中英对照，省略文献引用标识[3][4]等，并采用生动表述如"黑箱""幻觉"等AI领域惯用语）