GPT-5通用多模态临床模型在USMLE、文本推理与多模态VQA的横断面评估

Journal of medical imaging (Bellingham, Wash.) · 2026-11-03 · 期刊论文

• 一句话结论：结论：在标准化零样本思维链设置下，GPT-5相对GPT-4o在多数临床相关任务上表现更好，但作者将其定位为通用推理的辅助工具，而非专用系统的替代品；证据档位为C，属于提示性证据。
• 研究设计与做法：设计：横断面对照评估，比较GPT-5、GPT-5 Mini、GPT-5 nano与GPT-4o；任务包括USMLE、MedQA与MedXpertQA Text文本推理，以及神经影像（BraTS）、数字病理（PathVQA、BreakHis）和乳腺X线（EMBED、InBreast、中国乳腺X线数据库、CBIS-DDSM）的视觉问答；采用统一零样本思维链协议；样本量与随访时长材料未报告。
• 主要结果：结果：MedXpertQA上绝对提升超过25个百分点；乳腺X线细粒度病灶表征任务中优于GPT-4o约10%–40%；多数VQA基准达到领先或具竞争力水平；但神经影像宏平均准确率仅44%，乳腺X线准确率52%–64%，低于专用系统（超过80%）。
• 机制或解释：机制：作者归因于GPT-5增强的训练语料带来的多模态整合与整体推理能力提升；未报告针对具体基准的机制性实验。
• 局限与边界：局限：为横断面、零样本评估，未涉及真实临床工作流与前瞻性验证；专用系统对比来自既有报道而非同条件复现；人群与机构来源、样本量、随访及利益冲突材料未报告。
• 可否落地：落地：证据支持将GPT-5作为整体推理的辅助工具；提示其在专科感知密集型任务（神经影像、乳腺X线）尚不足以下结论可替代专用模型；临床部署前仍需领域适配、严格验证与推理透明性保障。

🔗 打开原文

Florea A, Wang S, Hu M 等

本文摘自《每日前沿研究简报 · 2026-11-10》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。