《Biomedicines》：Large Language Models in Oncology: Current Applications, Evidence Gaps, and Implementation Requirements—A Narrative Review
摘要专业翻译
2022年11月30日ChatGPT的公开上线，构成了人工智能应用于医学史上的一个转折点。在肿瘤学这一以综合复杂、异质且快速演进的临床数据为核心特征的学科中，大语言模型（Large Language Models，LLMs）在极短的时间窗口内完成了从学术好奇心对象到机构部署门槛的转变。本叙述性综述描绘了LLM整合于肿瘤诊疗全程的轨迹，涵盖从面向患者的信息工具到多学科肿瘤委员会决策支持。临床格局围绕一个三层就绪度框架加以组织：LLM在主要基于回顾性、基准测试及早期实施研究中展现出一致支持性性能的领域；早期证据令人鼓舞但缺乏前瞻性验证的领域；以及仍属愿景性、在负责任地推荐采用前需要实质性技术与监管发展的领域。本文对静态参数化知识与动态检索增强生成（Retrieval-Augmented Generation，RAG）之间的机制性区别、语言模型输出中事实不准确性的概率论根源，以及权威指南锚定在构建可信肿瘤学AI架构中的作用，进行了专门分析。本综述考察了多模态大语言模型（Multimodal Large Language Models，MLLMs）如何开始将影像组学、全切片病理图像（Whole-Slide Imaging，WSI）、下一代测序（Next-Generation Sequencing，NGS）数据、转录组学与蛋白质组学整合为统一的肿瘤学推理工作流，以及这种汇聚如何为精准肿瘤学愿景提供信息支撑。研究还考察了LLM在非英语临床环境中部署时所遇到的结构性与语言性障碍，并特别以土耳其医疗环境为参照，将其作为任何国际部署战略所面临的全球与本地挑战之代表性案例。对于AI辅助临床错误的责任归属这一尚未解决的法律格局、LLM作为医疗器械软件（Software as a Medical Device，SaMD）的监管分类，以及人在回路（human-in-the-loop）的强制性要求，本文将其作为负责任部署的前提条件加以分析。本文的核心论点在于，LLM的临床价值并非源于自主决策能力，而在于其作为随时可用、严格锚定且具有认知增强功能的助手服务于人类肿瘤学家的能力。
论文主体内容学术总结
1. 引言
2022年11月30日ChatGPT的公开上线在五天内注册用户达一百万，两个月内达一亿，成为人工智能医学应用史上的转折点。此前十年，判别式人工智能在乳腺摄影恶性病变识别、肿瘤组织病理分级及基因组风险分层等领域取得进展，但这些系统均针对单一感知任务优化，无法超越其边界。LLM基于2017年引入的Transformer架构，在数百亿词元规模的文本语料上训练，获得了多步推理、类比推断及跨异构领域指令遵循等涌现能力。从GPT-4到GPT-4o、Google的Gemini系列、Anthropic的Claude系列及开源Llama谱系，各模型家族在准确性、上下文长度及领域能力上均有可测提升。截至2026年初，一项持续更新的系统综述记录了2022年1月至2025年9月间超过4600篇临床医学LLM同行评审论文。本综述区分五类技术范畴：纯文本LLM、RAG增强系统、多模态基础模型（MLLMs）、领域特异性影像/病理AI，以及临床决策支持系统。
2. 从窄域判别到生成式推理：肿瘤学AI的新兴转变
判别式AI系统均为任务特定型，每项额外临床功能需单独训练和验证模型，整合多模型于连贯临床工作流面临重大挑战。LLM通过涌现泛化克服了这一约束。Singhal等人在《Nature》报道Med-PaLM在标准化医学考试问题上达到通过医师水平；GPT-4通过美国执业医师资格考试并在多学科专科委员会问题上作答，生成与医师文本质量相当的临床文档。三项架构改进在肿瘤学语境中尤为重要：第一是RAG；第二是多模态性，MLLMs能同时处理文本、医学图像、结构化数据及分子谱；第三是上下文扩展，当代LLM可处理数十万词元的上下文窗口，实现跨完整患者记录的摄取与同步推理。
3. 检索增强生成：技术架构、事实准确性与锚定
3.1 静态参数化知识及其临床局限
标准预训练获得的LLM参数化知识是对训练语料信息的概率编码，在训练结束时固化。肿瘤学中NCCN指南每年可能多次更新，新靶向药物批准、伴随诊断扩展及联合治疗数据持续涌现，固定截止日期训练的模型携带系统性知识缺口，无法仅通过提示解决。
3.2 概率文本生成与临床输出中的事实不准确性
自回归语言模型的词元生成由学习到的条件概率分布支配，而非参照已验证的外部真值。Ji等人将幻觉分为内在形式（模型与可检索源材料矛盾）和外在形式（模型生成不存在于任何可识别来源的信息）。Alkaissi和McFarlane记录了ChatGPT输出中具有医学后果的不准确实例，包括捏造的临床试验引用、虚构药物批准日期及不存在的给药方案。Omar等人在《Communications Medicine》证明六种主流LLM在含有单一植入错误数据点的临床病例中，高达83%的试验中复制或扩展了该错误。研究者将发现综合为结构化危害减少框架，识别肿瘤学等高风险临床专科为需要最保守部署配置的领域，强调强制性临床医师验证为不可协商的安全层。输出准确反映国际指南建议但与国家报销规则冲突的情况被界定为报销错配（政策脱节），属于结构性知识断连，需要临床与报销双索引RAG框架。
3.3 RAG作为架构性锚定：从无约束采样到可验证检索
RAG由Lewis等人引入，在推理时将LLM连接到外部检索系统。检索组件对索引执行语义相似性搜索，返回最相关文档段落作为上下文，LLM被指示仅使用检索材料生成响应，将生成过程从无约束参数采样转变为对可检视源文档的约束上下文推理。Zarfati等人在《European Journal of Cancer》的综述中总结，RAG锚定系统在准确性、引用质量及临床安全指标上持续优于非RAG对应系统。RAG的收益是有条件的：性能取决于语料库策展与许可、检索质量、文档版本控制、跨重叠指南冲突解决、提示设计及输出验证。
3.4 肿瘤学中RAG锚定准确性的经验证据
RAG增强的GPT-4在肿瘤学指南检索与比较任务中将错误响应率从43%降至16%，总体准确性从57%提升至84%。Liu等人开发了锚定NCCN指南的RAG流水线，在ACR培训考试问题上达到91.5%的准确性。Wei等人证明思维链提示通过使逻辑路径透明化降低了复杂多步推理任务的错误率。
3.5 微调与RAG：不同机制与互补角色
Meditron-70B基于Llama在医学文献上微调，相对基础模型在医学知识基准上性能提升，但知识时效受限于训练语料。ASCO指南助手结合具有强医学能力的基座模型与ASCO现行指南文档的RAG锚定，为每个答案提供高亮引用链接至具体来源句，体现了EU AI Act所识别的锚定、透明且人在回路的架构。
4. 证据一致但主要为回顾性的领域
4.1 文献综合、证据挖掘与临床医师时间回收
生物医学文献以每年超一百万条新记录的速度增长。在涉及10名医师的盲法临床读者研究中，LLM生成的摘要被判定与医学专家撰写者相当（45%）或更优（36%）。GPT-4从非结构化组织病理报告中提取结构化肿瘤学数据，准确性可与人工策展竞争。Benary等人证明LLM能为复杂基因组谱准确识别循证靶向治疗选项。
4.2 行政负担削减与临床文档质量
Umeton等人在《NEJM AI》报道了癌症中心首次大规模全院范围GPT-4部署，记录了多个临床部门文档任务的量化时间节省，识别迭代修正周期减少为效率提升的主要来源。
4.3 患者教育、健康素养与通俗语言沟通
Al Hussein Al Awamlh等人在《Cancer》证明健康素养与癌症患者全因死亡率独立相关。系统综述报告ChatGPT放射报告简化后阅读等级从9.6-14降至5.0-9.4，事实准确性78%-100%。Yang等人在《Journal of Medical Internet Research》分析698份中国肿瘤中心恶性放射报告，GPT-4简化报告将结果正确分类从63.9%提升至83.3%，患者满意度8.30/10。
4.4 对话式患者支持与聊天机器人应用
AI对患者医学问题的回答在质量和共情维度上评分显著高于医师响应。肿瘤科医师在78%的评估中认为LLM生成的病例摘要和指南引用有用。Nov等人记录聊天机器人医学建议的平均患者信任评分约为3.4/5，复杂医学问题信任度更低。
5. 多模态大语言模型与精准肿瘤学的泛组学愿景
5.1 多模态的必要性：超越文本与放射学
Acosta等人在《Nature Medicine》确立完整当代肿瘤学评估整合CT、MRI、PET、超声成像、宏观与微观病理分析、NGS分子基因组谱、转录组与蛋白质组表征、液体活检、影像组学特征提取、真实世界证据、患者报告结局及社会人口健康决定因素。MLLM的愿景是使AI系统以计算一致性和百科全书式证据覆盖执行这种整合。
5.2 放射学：从报告简化到主动诊断推理
Suh等人在《Radiology》证明GPT-4V在Diagnosis Please教育系列中前三位鉴别诊断准确性约49%，与专科认证放射科医师无统计学差异。GPT-4o在RSNA 2024每日病例考试问题上达到54%准确率。GPT-4在配对连续腹部CT报告中匹配肿瘤相关发现的准确率达96.2%。
5.3 计算病理学与全切片图像分析
GPT-4V通过上下文学习在结直肠癌组织亚型分类、结肠息肉亚型及淋巴结乳腺肿瘤检测上匹配或超越专用神经网络。CONCH作为计算病理学通用基础模型在多种癌症类型的组织分类、疾病亚型及生存预测任务上表现竞争性。
5.4 影像组学整合：定量成像表型与基于语言的推理
影像组学特征集可在独立验证队列中预测新辅助化疗病理反应、区域淋巴结受累、分子亚型分配及多种癌症类型的总生存期。Boehm等人在《Nature Reviews Cancer》将成像、病理、基因组学、转录组学及临床数据的汇聚表征为下一代肿瘤学AI的定义性技术挑战。
5.5 泛组学整合：精准肿瘤学中的NGS、转录组学与蛋白质组学
基于TCGA配对成像与基因组数据训练的多模态基础模型可仅从成像特征预测分子亚型并识别可靶向突变的成像关联。LLM框架在标准层面资格评估中达到87.3%准确性，将专家筛选时间减少42.6%。
6. 新兴前景领域：指南锚定决策支持与心理社会应用
6.1 ASCO指南助手与机构权威轴
ASCO于2025年5月推出指南助手，由Google Cloud Vertex AI平台和Gemini模型开发，将所有响应约束于ASCO自身循证指南文档，每个响应附有高亮引用。Carl等人在《npj Precision Oncology》的34项研究系统综述和荟萃分析报告LLM临床肿瘤学应用平均总体准确性76.2%，诊断准确性67.4%。MEREDITH系统与专家肿瘤委员会推荐的一致性达94.7%。
6.2 人在回路：LLM作为决策支持工具的临床、法律与监管定位
Sittig和Singh在《JAMA》强调，涉及重大临床决策的AI系统必须设计为在AI生成推荐被采纳前要求合格临床医师审查、验证和授权。FDA的SaMD框架将自适应临床AI包括LLM归类为最受监管的软件医疗器械类别。EU AI Act将医学决策支持AI归类为高风险。
6.3 跨肿瘤学亚专科的基准测试
GPT-4在医学肿瘤学委员会考试问题上达到通过表现，事实回忆问题持续优于复杂临床推理任务。Cabral等人在《JAMA Internal Medicine》应用脚本一致性测试，发现性能远低于多项选择知识测试，揭示高分反映记忆知识而非不确定性条件下的适应性推理。
6.4 癌症照护中的心理社会支持与心理健康辅助
Mitchell等人在《The Lancet Oncology》确立新诊断癌症患者焦虑抑郁患病率20%-40%。Akdogan等人在《European Journal of Cancer》的前瞻性随机对照试验中，150名化疗初治癌症患者接受ChatGPT数字咨询干预后，第二次化疗周期前HADS评分显著低于标准照护，构成LLM心理干预疗效的首个随机证据。
7. 全球与本地挑战：语言障碍、文化偏差与非英语临床环境
7.1 英语训练数据主导与多语言性能局限
前沿LLM训练语料严重偏向英语，导致非英语医学推理任务中可测性能退化和更高错误率。土耳其语等形态复杂黏着语代表特定挑战：GPT-4对直接土耳其语放射报告达到可接受简化准确性，但对含机构特定术语、本地治疗方案缩写及区域流行癌症亚型独特临床命名的报告性能可测退化。
7.2 医疗系统特定知识：报销框架与处方集约束
通用LLM训练语料完全缺乏医疗系统特定报销与处方集知识。德国通过G-BA、英国通过NICE管理，LLM即使NCCN锚定指南知识准确，也可能推荐报销框架未覆盖的药物或适应症。
7.3 群体遗传学、祖先变异与肿瘤学意义
BRCA1和BRCA2致病变异谱在土耳其遗传性乳腺卵巢癌家族中包括标准LLM训练数据库中未显著呈现的创始人突变。MLH1、MSH2和MSH6变异分布在土耳其Lynch综合征家族中不同于北欧参考队列。
7.4 文化沟通规范与面向患者应用的适应
癌症诊断、预后及临终关怀沟通涉及家庭参与决策、披露实践、疾病表征及不确定性态度的文化规范，这些未编码于构成前沿LLM主要训练语料的英语医学文献中。
8. 算法偏差、数据隐私、法律责任与伦理维度
8.1 算法偏差与代表性不足群体
多项主流LLM传播基于种族的医学误解，包括已被否定的种族群体与生理参数之间的生物学关联。研究者提出最低人口统计学性能报告标准作为临床部署前提。
8.2 数据隐私：HIPAA、GDPR与KVKK框架
美国HIPAA要求与AI供应商签订业务伙伴协议、API调用数据最小化及AI辅助临床决策审计追踪。GDPR施加明确法律依据要求、数据主体解释和异议权及EEA外数据传输限制。本地部署开源LLM以性能降低为代价解决数据主权问题。
8.3 法律责任与SaMD监管路径
Shumway和Hartman提出分层责任模型，在开发者、机构部署者及主治临床医师之间按控制程度按比例分配责任。现有临床责任法基于临床错误近因可识别并归因于责任主体的前提，结构性不适于处理因果链分布于无人完全控制或完全检查的模型架构中的失败。人在回路要求不仅作为患者安全标准，也是保持可识别法律问责的主要机制。
8.4 知情同意与治疗关系
大多数患者不知道AI系统是否参与其影像分析、分子谱解读或肿瘤科医师收到的临床决策支持。AI部署增加而非减少人类临床接触时间，是ASCO领导层阐述的实施愿景。
8.5 监管框架、临床治理与人类体验
LLM临床工具作为SaMD注册需要导航预定变更控制计划和持续性能监测。模型基准测试显示通过医学肿瘤学委员会考试的表现，但高分反映静态知识检索而非不确定性下的适应性临床推理。多模态LLM必须设计为认知过滤器，简化多组学数据整合以减轻临床医师倦怠，同时严格保留主治医师作为最终法律问责临床决策者的角色。
9. 需要进一步发展的领域
9.1 不确定性条件下的自主临床推理
当前LLM不能准确诊断所有病理，在现实临床场景中表现显著差于医师，不能系统遵循诊断或治疗指南，不能可靠解释临床语境中的实验室结果。脚本一致性测试显示适应性推理性能远低于知识考试性能。
9.2 术中与操作应用
实时术中AI辅助需要计算机视觉、机器人技术和生成式语言推理在尚未达到临床部署规模的架构中汇聚。LLM对操作肿瘤学的贡献目前限于术前计划文档、围手术期沟通及术后摘要生成。
9.3 经过验证的多语言与文化适应部署
在非英语临床环境部署LLM需要专门的本地验证研究、纳入区域变异数据库和国家报销标准的人群特定知识库开发，以及超越翻译的文化适应。尚无任何通用LLM在形态复杂语言医疗环境中经过前瞻性临床验证。
10. 迈向肿瘤学可信AI：实施框架与未来方向
可信AI涵盖准确性、透明度、可解释性、公平性、隐私保护、稳健性及适当人类监督。最具临床后果的区别在于输出是否锚定并可追溯至权威指南来源。锚定系统检索现行NCCN或ASCO推荐，以可验证引用呈现，并在指南覆盖缺失时明确标记。ASCO指南助手代表该架构最成熟的现行操作表达。联邦学习架构为跨机构训练肿瘤学特定LLM提供路径，无需集中敏感患者数据。Rajpurkar等人在《Nature Medicine》提出人机互补模型：LLM贡献百科全书式广度和规模化数据整合，肿瘤科医师提供情境判断、伦理推理和关系能力。
11. 讨论
LLM在肿瘤学中的临床价值强烈依赖于使用任务。文献综合、文档支持、报告简化和患者沟通更接近常规实施，而自主诊断推理、治疗选择和复杂多模态决策仍验证不足。临床流畅性不应被解释为等同于临床能力。可信部署不仅依赖模型性能，还依赖系统架构。RAG可通过将输出锚定于当前可验证的肿瘤学指南提高可靠性，多模态系统提供整合成像、病理、基因组学和临床数据的潜力。未来研究应聚焦真实世界有效性、患者中心结局、工作流效率及本地验证。
12. 局限性
作为叙述性而非系统性综述，研究选择保留主观性。发表偏倚可能有利于阳性结果；若干基准评估存在数据污染风险；报告性能反映特定且常被迅速超越的模型版本。多数引用研究为单中心或回顾性，外部验证有限。机构工作流整合、网络安全风险及真实世界部署中数据来源的证据相对于技术性能文献量稀疏。大规模模型训练和推理的成本与环境负担很少被量化。证据基础以回顾性、基准和技术验证研究为主，大多数拟议临床应用缺乏稳健的前瞻性患者中心结局数据。
13. 结论
自2022年11月30日ChatGPT公开发布以来，LLM已积累足够证据支持继续临床评估，但尚未充分验证可无监督部署。文献综合与证据摘要、临床文档与非结构化文本结构化数据提取、放射/病理报告简化以提升患者健康素养，这三类应用足够成熟可进行有限监督实施。RAG锚定指南决策支持、肿瘤委员会辅助、临床试验匹配及心理社会辅助应用显示出新兴前景，但需要前瞻性多中心验证。泛组学多模态整合、经过验证的多语言与文化适应部署及无人类审查的自主临床推理仍属愿景性。在所有三个层级中，人类临床判断仍是患者照护的决定因素；LLM目前作为需要验证的辅助工具，而非该判断的替代品。
