
-
生物通官微
陪你抓住生命科技
跳动的脉搏
通用大型语言模型(LLMs)在解读青少年特发性脊柱侧弯X光片方面的准确性:与经验丰富的脊柱外科医生的对比研究
《European Spine Journal》:Accuracy of general-purpose large language models (LLMS) in interpreting adolescent idiopathic scoliosis radiographs: a comparative study with experienced spine surgeons
【字体: 大 中 小 】 时间:2026年10月18日 来源:European Spine Journal 3.2
编辑推荐:
摘要目的本研究评估了通用型、具有视觉处理能力的大型语言模型(LLMs)在解读青少年特发性脊柱侧弯(AIS)X光片方面的准确性,并将其输出结果与专家外科医生的共识参考标准进行了比较。方法这项回顾性比较诊断准确性研究分析了128名不同患者的128组匿名AIS X光病例数据,包括站立位
本研究评估了通用型、具有视觉处理能力的大型语言模型(LLMs)在解读青少年特发性脊柱侧弯(AIS)X光片方面的准确性,并将其输出结果与专家外科医生的共识参考标准进行了比较。
这项回顾性比较诊断准确性研究分析了128名不同患者的128组匿名AIS X光病例数据,包括站立位冠状面和矢状面X光片以及侧弯影像。2026年1月,通过这些模型的官方网络界面使用基于Lenke分类系统的标准化提示对ChatGPT GPT-5.2 Instant、Gemini 3 Flash和Grok 4.1进行了评估。模型输入的是去标识化的原始X光片,其中不包含测量线、Cobb角度值、椎体标签或Surgimap叠加层。三名具有超过10年脊柱畸形手术经验的外科医生独立使用Surgimap评估了所有病例,外科医生的共识被作为参考标准。Cobb角度(CA)的准确性通过平均绝对误差以及±5°范围内的一致性来进行评估;分类变量则通过精确一致性及95%的置信区间进行评估。
ChatGPT在外科医生共识范围内的准确率达到94.5%,平均绝对误差为2.4°。Gemini的准确率为92.2%,平均绝对误差为2.7°;Grok的准确率为90.6%,平均绝对误差为3.1°。在Lenke分类、腰椎和矢状面修饰符、中性椎体以及稳定椎体的识别方面,精确一致性明显较低。外科医生之间在CA和分类参数上的评分一致性较高。未对这些LLMs进行正式的推理排名。
测试的通用型LLM版本在全面解读AIS X光片方面的可靠性有限。它们在Lenke分类、修饰符以及与融合级别相关的标志物方面的表现明显弱于Cobb角度的估算。研究结果不支持将这些系统独立用于脊柱侧弯的测量、教育或手术规划。目前,这些工具应被视为监督文档或教学辅助工具,而非测量或决策系统。
本研究评估了通用型、具有视觉处理能力的大型语言模型(LLMs)在解读青少年特发性脊柱侧弯(AIS)X光片方面的准确性,并将其输出结果与专家外科医生的共识参考标准进行了比较。
这项回顾性比较诊断准确性研究分析了128名不同患者的128组匿名AIS X光病例数据,包括站立位冠状面和矢状面X光片以及侧弯影像。2026年1月,通过这些模型的官方网络界面使用基于Lenke分类系统的标准化提示对ChatGPT GPT-5.2 Instant、Gemini 3 Flash和Grok 4.1进行了评估。模型输入的是去标识化的原始X光片,其中不包含测量线、Cobb角度值、椎体标签或Surgimap叠加层。三名具有超过10年脊柱畸形手术经验的外科医生独立使用Surgimap评估了所有病例,外科医生的共识被作为参考标准。Cobb角度(CA)的准确性通过平均绝对误差以及±5°范围内的一致性来进行评估;分类变量则通过精确一致性及95%的置信区间进行评估。
ChatGPT在外科医生共识范围内的准确率达到94.5%,平均绝对误差为2.4°。Gemini的准确率为92.2%,平均绝对误差为2.7°;Grok的准确率为90.6%,平均绝对误差为3.1°。在Lenke分类、腰椎和矢状面修饰符、中性椎体以及稳定椎体的识别方面,精确一致性明显较低。外科医生之间在CA和分类参数上的评分一致性较高。未对这些LLMs进行正式的推理排名。
测试的通用型LLM版本在全面解读AIS X光片方面的可靠性有限。它们在Lenke分类、修饰符以及与融合级别相关的标志物方面的表现明显弱于Cobb角度的估算。研究结果不支持将这些系统独立用于脊柱侧弯的测量、教育或手术规划。目前,这些工具应被视为监督文档或教学辅助工具,而非测量或决策系统。