大型语言模型在再生医学指南中的指称性幻觉与临床可靠性：基于慢性疼痛治疗指南的比较分析

　　本研究针对LLM在慢性疼痛再生疗法指南回答中的指称性幻觉与临床可靠性问题，通过多维度评估发现Claude 4 Opus在准确性(4.06±0.68)、可靠性(5.19±1.11)及降低幻觉率(RHS 4.44±3.18)方面显著优于ChatGPT-4o和Gemini 2.5，为临床AI应用提供重要参考依据。

　　

研究人员开展了一项横断面研究，比较了三种大型语言模型（LLM）——ChatGPT-4o、Gemini 2.5 Flash和Claude 4 Opus——在回答基于美国疼痛与神经科学学会（ASPN）慢性疼痛再生治疗指南的16个开放式问题时的表现。研究从准确性、可靠性、实用性、可读性、语义相似度和幻觉率等多个维度进行了全面评估。

结果显示，Claude 4 Opus在临床可靠性（5.19±1.11，7点李克特量表）、实用性（5.06±1.0）和临床准确性（4.06±0.68，5点量表）方面均显著领先，其指称性幻觉评分（RHS）最低（4.44±3.18），远低于ChatGPT-4o（8.38±1.86）和Gemini 2.5（8.75±1.73）。在语义相似度（USE）方面，Claude（0.68±0.08）和Gemini（0.65±0.07）表现优于ChatGPT-4o（0.60±0.09），而Gemini在ROUGE-L F1分数（0.12±0.03）上略胜一筹。可读性指标（FKRE、FKGL）在各模型间相近，但Gemini的Flesch-Kincaid年级水平（FKGL）略高（11.3±1.06）。该研究为LLM在专业医疗场景中的可靠性提供了重要实证，并指出需进一步探索其临床应用的优化路径。