大型语言模型在软组织肉瘤多学科诊疗中的决策能力评估：与21家肉瘤中心专家共识的对比研究

　　本研究针对软组织肉瘤(STS)诊疗决策的高度异质性，首次对比了Llama 3.2-vision:90b、Claude 3.5 Sonnet等4种大型语言模型(LLMs)与21家德语国家肉瘤中心多学科团队(MTB)的诊疗建议。研究发现LLMs与人类专家共识的匹配率仅20-60%，且存在潜在有害建议，凸显AI在复杂肉瘤诊疗中的局限性，强调高流量肉瘤中心转诊的必要性。论文发表于《Journal of Cancer Research and Clinical Oncology》。

　　

软组织肉瘤(STS)作为仅占成人恶性肿瘤1%的罕见肿瘤，其诊疗复杂性长期困扰临床实践。尽管指南推荐患者应在专业肉瘤中心接受多学科肿瘤委员会(MTB)诊疗，但近期"肉瘤环形试验"揭示：21家德语国家中心对5例标准化STS病例的决策共识率低至33.3%，暴露出现实诊疗中的巨大差异。这种决策异质性促使研究者思考：快速发展的生成式人工智能(AI)，特别是大型语言模型(LLMs)，能否为STS-MTB提供可靠决策支持？

为回答这个问题，Cheng-Peng Li等研究者设计了一项开创性研究，选取4种主流LLMs（包括开源的Llama 3.2-vision:90b和商业化的Claude 3.5 Sonnet），通过模拟MTB讨论场景，将其决策与21家实际肉瘤中心的专家建议进行系统对比。研究采用标准化提示词，要求LLMs扮演德国肉瘤专家小组（含外科、放疗等5个专业角色），对5例匿名STS病例（2例腹膜后、2例肢体、1例躯干）各进行21轮独立查询，总计产生420次响应。关键评估指标包括：模型内一致性、与人类MTB建议的匹配度、替代方案合理性，以及建议依据的指南溯源情况。

关键技术方法包括：1) 使用肉瘤环形试验的5例标准化病例数据（含临床资料、病理报告及CT/MRI图像）；2) 通过API或网页接口访问4种LLMs，温度参数设为0以确保结果可重复性；3) 采用GraphPad Prism分析模型内一致性和建议分布；4) 将LLMs输出与21家中心的实际MTB记录进行逐项比对；5) 按德国S3指南等标准对建议依据进行溯源分类。

研究结果部分：

模型内一致性：Claude 3.5 Sonnet表现最优，5个病例均实现100%内部一致；Llama 3.2-vision:90b在4/5病例中完全一致；而OpenAI-o1和DeepSeek-R1的中位一致性仅47.6%。

案例特异性分析：

• •

  病例1（右腹股沟去分化脂肪肉瘤）：人类MTB最常推荐"区域热疗联合化疗→手术→术后放疗"(14.3%)，但该方案未被任何LLM提及。相反，Llama 3.2-vision:90b坚持的"新辅助化疗→手术→放疗"仅获1家中心(4.8%)支持。

  
• •

  病例4（腹膜后高分化脂肪肉瘤）：所有LLMs均100%推荐单纯手术，与52.4%人类中心共识高度吻合，展现对简单病例的良好把握能力。

总体匹配度：表现最佳的Claude 3.5 Sonnet仅在60%病例(3/5)中与主流MTB建议一致。在病例5（腘窝多形性横纹肌肉瘤）中，所有LLMs的主流建议仅获4.8%中心支持，凸显复杂病例中的决策偏差。

建议依据分析：仅24.8-55.2%的LLMs建议明确引用德国S3指南，其中Llama 3.2-vision:90b的55.2%最高，但43.8%建议未注明任何依据。DeepSeek-R1最常引用非S3指南(39%)，而OpenAI-o1高达62.9%建议缺乏文献支持。

替代方案风险：LLMs提出若干危险建议，如DeepSeek-R1在病例5中85.7%推荐截肢，违反肢体保留原则；对病例4（已有消化道症状）多数模型建议观察随访，明显不当。

研究结论强调：尽管LLMs展现作为MDT讨论准备工具的潜力，但其与人类专家共识的显著差异（尤其复杂病例）、潜在有害建议及指南引用不足等问题，证实当前AI尚无法替代高流量肉瘤中心的专业MTB。该研究为AI在罕见肿瘤诊疗中的应用划定了现实边界，提示未来需通过检索增强生成(RAG)等技术整合区域化指南，并加强医学专业训练以提升LLMs的临床可靠性。