大语言模型对唾液腺影像学发现结构化文本描述的反应：上下文丰富化对自我报告诊断信心及报告行为的影响

《European Archives of Oto-Rhino-Laryngology》：Large language model responses to structured textual descriptions of salivary gland imaging findings: impact of contextual enrichment on self-reported diagnostic confidence and reporting behavior

　　## 摘要### 目的大型语言模型（LLMs）在临床决策支持中的应用日益增多，但其在面对结构化的影像学发现文本描述时的行为表现，尤其是针对唾液腺疾病方面，仍缺乏明确的界定。本研究旨在评估不同LLMs的响应如何随文本输入的逐步丰富而变化。各模型未接收任何影像数据；所有输入均为纯文本。### 方法这项探索性的、基于仿真的观察研究评估了3个LLMs（ChatGPT、Gemini、Claude）在10例唾液腺病例中的表现。针对每个病例，均准备了标准化的影像学发现文本描述并作为文本提示提交；未向任何平台上传图像文件。每个病例在3种信息量递增的输入条件下进行评估：单平面文本描述、多平面文本描述以及多平面文本描述加临床信息，共生成90个观察值，源自对同一10例病例的重复测量。主要结局指标为模型生成的严重性评分、自报诊断信心和额外报告的解剖结构数量。AI输出未与已验证的参考诊断进行比对。主要分析采用比例优势模型，输入条件作为感兴趣的固定效应，AI系统作为协变量，按病例进行聚类稳健标准误估计；非参数检验用作敏感性分析。### 结果模型生成的严重性评分在不同LLMs之间无显著差异（χ2=2.31；*P*=0.31）。随着文本输入的丰富，自报诊断信心显著增加（Friedman χ2=18.86；*P*<0.001；比例优势模型，多平面描述加临床信息 vs. 单平面描述，累积OR 5.43，95% CI 3.00–9.81）。ChatGPT的输出稳定，未报告额外结构，而Claude则产生了更为详尽的报告（平均额外结构数，5.67 vs. 0.00）。Gemini产生的严重性评分较低，但自报信心相当。混合模型分析显示AI系统对报告详尽程度有显著影响（*P*<0.001）。模型报告的实质变化与自报信心之间也观察到关联；由于这两个变量均由同一模型在同一次响应中生成，这些代表输出内的关联性而非独立的诊断关系，因此仅作描述性报告。### 结论在这项探索性先导研究中，LLMs产生了可比的严重性评分，而自报诊断信心随提示中提供更多信息而增加。这种模式可能反映了LLMs在面对更丰富输入时表达更大确定性的倾向，而非真正改进的诊断推理能力。各模型在报告行为方面存在显著差异，尤其是在输出详尽程度方面。这些发现表明，LLMs作为唾液腺护理中文本辅助工具的潜力值得进一步调查。本研究设计不评估影像判读，也不支持作为独立诊断系统使用。