中山大学林浩添/陈文贲团队验证大语言模型可有效帮助医生开展医学人工智能研究 | Cell Press对话科学家

林浩添教授：

医学AI研究的最终目标是解决临床问题，临床医生的深度参与至关重要。然而，现实是许多医生，特别是青年医生和基层医院的团队，面临着显著的“技术鸿沟”。他们通常拥有宝贵的临床数据和洞见，但缺乏将想法转化为AI模型所需的技术支持、跨学科合作机会和研究资源。传统的解决方案，比如一些“无代码”建模平台，在一定程度上降低了建模的门槛，但一个完整的医学AI研究远不止是训练一个模型。它涵盖了从问题定义、研究设计、数据预处理、算法选择、代码实现到结果分析和报告撰写的全流程。这个综合性的技术壁垒，使得许多临床团队无法独立、深入地开展真正以临床问题为导向的AI研究，限制了医学AI创新的源头活水。

陈文贲副研究员：

在“AI for Science”范式加速发展的背景下，我们的研究提供了高等级证据，表明LLMs能够有效协助临床医生应对医学AI研究中复杂的跨学科知识挑战与技术壁垒，有望促使更多医生将宝贵的临床见解与经验转化为技术实现。它不仅仅是提供一个代码片段，而是能够协助临床医生进行项目规划、技术路径选择、解决具体实现难题，甚至帮助进行结果解读。这意味着，LLMs能够极大地降低了综合性技术门槛，赋能广大一线医生，让即使没有强大工程团队支持的一线医生，也能基于自己的临床发现开展AI研究，而这将催生大量小规模、针对特定临床场景和患者群体的、高价值的AI应用，与传统上由大型团队主导开发需广泛验证的标准化模型形成了有益互补。

林浩添教授：

除了证实大语言模型的有效性，我们更希望传递一个理念：AI既可能成为让人产生依赖的“拐杖”，也可以成为助力医生成长的“教练”，关键在于我们如何使用它。本研究有几个支撑这一观点的发现：首先，我们观察到了积极的“技能迁移”效应。在撤除大语言模型支持后，仍有超过四成的成功参与者能独立完成新项目，这表明他们通过与大语言模型的交互，实质性地提升了对医学AI研究的理解和执行能力，而非简单地复制粘贴。其次，我们捕捉到了潜在的“依赖风险”，这为未来制定合理的使用规范提出了警示。此外，在反复实践中，我们初步总结出了一套名为“CPGI”的提示词指南，即提供详细背景、清晰阐述问题、分解复杂目标和迭代优化，帮助医生更有效地与这位“AI教练”协作。当然，这套指南的有效性还需未来研究进一步验证。

林浩添教授：

当前，AI已能自主设计实验方案以加速新药筛选，或从海量基因组与临床数据中推断未知的致病机制，提出科学假设。随着LLM驱动的AI Agent等技术的发展，未来的“AI for Medical Science”或将超越工具辅助的范畴，迈向一个由智能体驱动的、自主与协同并存的医学研究新范式。医生与AI的关系，将从“人主导、机执行”转变为“人机协同、共同探索”，这将极大地加速科学发现的迭代周期。

但我们仍要注意其中的风险管控，随着技术的不断迭代，我们需要对技术使用中产生的依赖性问题、AI“幻觉”等风险进行更加长期、持续和全面的评估。其次，技术的价值在于赋能，而非取代。它如何促进而非削弱临床专家与工程专家之间更深层次、更高效的协作，如何整合到真实的团队科研工作流中，从而真正推动可持续的“医工结合”创新，这些都是极具前景且亟待探索的课题。

▌论文标题：

▌论文网址：

▌DOI：