Nat. Rev. Bioeng. | 大语言模型在医学领域的革命性应用
大型语言模型（LLMs），如 ChatGPT，因其对人类语言的理解与生成能力而备受关注。尽管越来越多研究探索其在临床诊断辅助、医学教育等任务中的应用，但关于其发展、实际应用与成效的系统评估仍然缺失。因此，研究人员在本综述中系统梳理了LLMs在医学领域的发展与部署现状，探讨其面临的机遇与挑战。在发展方面，研究人员介绍了现有医学LLMs的构建原理，包括模型结构、参数规模及训练数据来源与规模；在部署方面，研究人员比较了不同LLMs在多种医学任务中的表现，并与先进的轻量级模型进行对比。
近年来，通用大语言模型（LLMs）如 PaLM、LLaMA、GPT 系列与 ChatGLM，在文本生成、摘要、问答等自然语言处理任务中取得了显著进展，并逐步拓展至医学领域。例如，部分模型在美国医学执照考试（USMLE）中已接近甚至超过人类专家的表现。基于开源LLMs（如LLaMA），研究人员构建了多种医学专用模型，如 ChatDoctor、MedAlpaca、PMC-LLaMA、BenTsao 和 Clinical Camel，以支持临床诊疗和患者管理。
尽管这些模型取得了初步成果，但仍存在诸多限制。例如，大多数模型集中于医学对话与问答场景，实际临床应用中的任务（如电子病历分析、出院小结生成、健康教育与照护计划）尚未被充分挖掘。此外，当前模型在提供实际操作建议方面仍显不足，且测试人群规模有限。
因此，研究人员在本综述中，首先分析了现有医学LLMs的构建原理，详细介绍其模型结构、参数规模及训练数据集；随后评估其在十类生物医学任务中的表现，涵盖判别与生成两类任务；接着，探讨其在七类临床场景中的部署与应用；最后，研究人员指出模型存在幻觉生成、伦理与安全隐患等挑战，并提出未来研究方向。为促进医学LLMs的可信与高效应用，研究人员倡导构建系统性的评估框架，并提供了持续更新的实用指南（https://github.com/AI-in-Health/MedLLMsPracticalGuide）。
医学大语言模型的构建原理
医学LLMs主要通过三种方式构建：从头预训练、基于通用模型微调，以及使用提示对齐通用模型。
预训练
预训练阶段通常使用大规模医学语料（如电子病历、临床记录和医学文献），以掩码语言建模、下一句预测和下一个词预测等目标进行训练。研究人员常用的语料库包括 PubMed、MIMIC-III 和 PMC 等。通过预训练，模型能够学习丰富的医学语言和知识，为后续任务打下基础。
微调
由于从零训练成本高昂，研究人员倾向于在通用模型基础上进行微调，方式包括监督微调（SFT）、指令微调（IFT）和参数高效微调（PEFT）等。SFT通常利用医生与患者对话、医学问答或知识图谱进行继续训练；IFT则使用"指令-输入-输出"三元组提高模型对任务指令的理解；PEFT通过引入轻量参数模块（如 LoRA、Prefix Tuning、Adapter）大幅降低计算开销。
提示学习
提示学习（Prompting）可无需更新模型参数，仅通过设计输入方式（如上下文学习、思维链提示、检索增强生成等）引导模型执行任务。这一策略灵活高效，尤其适用于缺乏训练资源或对实时响应要求较高的医学场景。
医学任务分类
判别式任务
这类任务旨在对医学文本进行分类、抽取或推理，典型包括问答、命名实体识别、关系抽取、自然语言推理和语义相似度计算。研究人员展示了模型在电子病历、临床记录、文献等文本中提取症状、药物、疾病等实体，并能对其进行标准化映射（如 SNOMED、ICD）。
生成式任务
生成任务要求模型依据输入自动撰写医学文本，包括病历摘要、出院指导、医学科普等。相比判别任务，生成任务更具开放性，考验模型语言生成能力和医学知识表达的准确性。
临床应用
医疗决策支持
LLMs可协助医生进行诊断、风险预测、治疗推荐和临床试验匹配。如模型可整合患者病史、检查结果和文献证据，为复杂临床决策提供支持。但目前仍缺乏大规模临床验证。
临床编码
LLMs能自动读取临床文本并生成标准化编码（如 ICD、药物代码、手术代码），大幅提高信息管理效率。研究人员展示了多个模型在真实病历数据上的强编码表现。
报告生成
在放射学、出院记录等任务中，LLMs可生成结构化或摘要报告。部分模型结合图像分析模块，进行多模态报告生成，如 ChatCAD、MAIRA-1 等。尽管在自动评估指标（如ROUGE、BLEU）上表现良好，但临床可接受性仍需进一步评估。
医学机器人
LLMs与机器人系统结合，赋能手术操作、超声控制等任务，提升医疗自动化水平。如 GPT-4 控制的 SuFIA、UltrasoundGPT 等模型，在实验环境中展示了较强的规划与交互能力，但实地部署仍有挑战。
医学语言翻译
医学LLMs可实现跨语言术语转换及面向大众的语言简化，提升医学沟通的可达性。研究人员强调需在医学语义保持、术语准确性和语言平衡间寻求最佳策略，避免误译或信息丢失。
医学教育
研究人员探索了LLMs在医学教育中的应用，包括答疑、教材生成、个性化辅导、病例分析等。部分模型（如 Med-Gemini）结合图像能力，支持多模态教学交互。已在部分高校与医院试点使用。
精神健康支持
专为心理健康设计的LLMs（如 PsyChat、ChatCounselor）可进行文本情绪理解与辅助疏导，辅助心理咨询和早期筛查。但研究人员也指出需关注其伦理边界与应答安全性。
医疗咨询应答
研究人员构建的模型已可应对患者提出的常见问题，涵盖疾病管理、用药建议等场景。部分模型在回答准确性、连贯性及安全性评估中取得较好结果，具备向实际应用过渡的潜力。
面临的挑战
幻觉生成（Hallucination）
幻觉是指模型生成了不准确或虚构的信息，分为内源性幻觉和外源性幻觉。前者表现为逻辑错误（如错误计算），后者则包括编造引文、回避问题等。在医学应用中，这类看似流畅但事实错误的内容可能误导诊断与治疗，带来严重后果。
研究人员将应对幻觉的策略分为三类：
- 训练阶段修正：通过一致性强化学习或对比学习等方法优化模型权重。
- 生成阶段修正：在推理时加入"推理"机制，如多样输出采样或可信度评分筛查错误。
- 检索增强修正：结合外部文献作为提示，如使用真实资料或链式检索策略。
针对不同场景，这些方法各有优势，例如：训练修正适合结构化任务如影像报告；生成修正适用于多观点医疗问诊；检索增强对需要实时知识更新的任务如治疗建议尤为关键。
缺乏评估基准与指标
现有评估多集中于问答准确性，难以全面衡量医学LLMs的可信度、解释性与有用性。即便有部分数据集对真实健康问询进行了模拟，但仍缺乏系统的评价体系。研究人员呼吁建立覆盖真实性、解释性、专业度等维度的新型评估标准。
医学数据资源受限
当前医学训练数据规模远小于通用语料，导致模型在开源测试集上表现优异，却难以胜任真实任务（如鉴别诊断、个体化治疗）。此外，医学数据通常因伦理、法律和隐私限制而难以获取，多数数据未标注，人力标注与无监督学习受限于专家资源和误差容忍度低。
研究人员通常选择使用少量开源数据对通用模型微调，或尝试使用模型自身生成高质量合成数据。然而，合成数据因上下文单一易导致"灾难性遗忘"，使模型丧失原始知识能力。
新知识适配困难
医学知识更新频繁，训练后的模型难以高效注入新知识。一方面，旧知识难以完全删除，新旧信息的冲突可能引发错误关联；另一方面，新知识更新需具备实时性。
当前的应对策略包括：
- 模型编辑：直接修改模型参数，但通用性和稳定性较差；
- 检索增强生成（RAG）：通过外部知识库引入新信息，实现快速更新而无需重新训练模型，虽不能清除旧知识，但能缓解更新滞后问题。
行为对齐不足
行为对齐指确保模型输出符合人类行为预期，尤其是在医疗对话中，模型仍难达到医生的专业水平。
研究人员提出三类对齐方法：
- 指令微调：通过明确任务指令提升模型响应质量；
- 基于人类反馈的强化学习：利用人类评分优化模型输出，常用于医疗聊天机器人与决策系统；
- 提示调优：例如"反思式提示"让模型回顾自身回答并自我修正，提升一致性与准确性。
伦理与安全问题
医学LLMs引发的伦理与隐私争议日益受到关注。例如，有研究反对将ChatGPT用于生物医学论文写作；又如，提示注入可能导致模型泄露敏感数据（如邮箱地址）。这一风险来源于安全训练范围不足以覆盖模型所有能力。
研究人员建议扩大安全训练数据规模，建立系统的安全机制，以防模型在医疗场景中引发信任危机。
展望
尽管大语言模型（LLMs）已通过聊天机器人与搜索引擎影响了大众生活，但其在医疗实践中的应用仍处于初级阶段。当前评估基准多集中于医学问答任务，难以覆盖真实临床场景所需的多种能力。研究人员指出，仅依赖标准化考试（如USMLE）并不足以反映LLMs在实际诊疗中的专业表现。
因此，未来需要构建更全面的评估基准，考察模型是否具备以下能力：引用权威医学资料、适应医学知识不断更新、明确表达不确定性，以及接受临床反馈并持续迭代。同时，公平性、伦理性与健康公平性等因素也应纳入评价，不能仅依赖基础指标（如人口统计学一致性），而应结合情境进行精细化评估。例如，AMIE模型引入了医生对模型的多维度评价（包括临床推理、医患沟通和专业行为），但仍存在可扩展性和适应性不足的问题。
研究人员建议，未来评估体系可融合真实与合成数据，参照临床指南与患者安全标准，开发交互式评估平台，让临床专家实时参与反馈与模型协同测试。
多模态模型（MLLMs）与时序数据挑战
尽管现有LLMs主要针对文本任务，融合视觉、语言甚至音频的多模态大模型（MLLMs）已初现成效。例如，Med-Flamingo、LLaVA-Med、Med-Gemini等模型通过图文数据联合微调，具备放射影像理解能力。一些探索性研究还尝试将音频、图像与文本融合，用于自动牙科诊断，显示出良好潜力。
然而，医学中常见的时间序列数据（如心电图、血压监测）仍很少被有效集成至模型中。未来可探索更高效的多模态数据建模与学习方式，特别是高资源消耗模态（如视频、医学影像）下的成本优化训练方法，同时解决多模态临床数据的采集与访问难题。
基于LLMs的智能代理系统
研究人员提出，结合LLMs与外部工具、环境交互能力的"LLM智能代理"将是重要方向。这类代理可整合多种模态输入，具备推理、学习和反馈能力，能通过类人行为（如角色扮演、沟通协作）解决复杂问题。
例如，Chat-Orthopedist 可通过访问专业数据库（如 UpToDate）获取最新脊柱侧弯知识，向患者提供清晰准确的问答服务。在医疗场景中，智能代理可模拟多个医学角色，协同完成诊断任务，实现从影像到报告的整合与决策。
未来研究可探索：
- 构建兼容LLMs的数据接口，整合来自多设备的监测数据；
- 优化多代理间沟通、真实度控制与安全权限；
- 强化远程实时决策与适应性学习机制，以应对突发医疗情境。
目前医疗LLMs研究主要集中于通用医学领域，导致康复、运动医学等专科领域的研究仍相对缺乏。
医学界的主动参与
至今，大多数医学LLMs由科技公司主导开发，医学界对其训练数据来源、伦理流程与隐私保护关注不足。研究人员呼吁临床专家积极参与LLMs的构建与测试过程，包括：
- 提供高质量医学数据；
- 明确设定模型的期望目标；
- 在真实场景中检验其效益与风险。
通过这些方式，医疗界可以更好地识别与规避潜在法律和临床风险，提升LLMs在医疗中的信任度与实用性。
此外，培养"医学+技术双语人才"也至关重要。未来可探索跨学科培训框架，如在高校建立"双语教育项目"，推动基层诊所数据共享，同时加强隐私保护机制，帮助医院和医生在保障数据安全的前提下引入创新。
参考资料
Liu, F., Zhou, H., Gu, B. et al. Application of large language models in medicine. Nat Rev Bioeng (2025).