DeepSeek在医疗领域“大展身手”，与ChatGPT不相上下！

2025年4月23日，Nature子刊《Nature Medicine》（医学一区，IF=58.7）连发两篇重磅文章，聚焦DeepSeek大型语言模型在临床诊疗中的表现，让我们一起来看看国产DeepSeek到底有多厉害！

两篇论文的视频解读

（学术可视化联系小编，中英文均可）

DeepSeek在临床决策中的表现

如今，大型语言模型（LLM）在医疗领域越来越受欢迎。为了验证DeepSeek-V3和DeepSeek-R1的临床实用性，研究者们将它们与一些专有LLM（比如GPT-4o和Gemini-2.0 Flash Thinking Experimental）进行了对比测试。测试用的病例有125例，涵盖了各种常见和罕见疾病，数量足够多，能保证结果的可靠性。

在诊断方面，Gem2FTE的表现最好，DeepSeek-R1和GPT-4o打了个平手。

而在治疗方面，GPT-4o和DeepSeek-R1都比Gem2FTE更胜一筹，DeepSeek-R1和GPT-4o的表现又不相上下。和早期的GPT-4、GPT-3.5相比，GPT-4o和DeepSeek-R1都有了明显的进步，但Gem2FTE就没那么幸运了。

DeepSeek在医疗任务和临床推理方面的表现

DeepSeek很厉害，专门增强了推理能力。不过，之前还没人评估过它在医疗领域的能力。这次，研究者们对三个LLM（DeepSeek-R1，ChatGPT-o1和Llama 3.1-405B）进行了测试，测试内容包括四种医疗任务：

- 回答美国医疗许可考试（USMLE）中的问题；

- 基于文本的诊断和管理案例的解释和推理；

- 根据RECIST 1.1标准提供肿瘤分类；

- 提供跨多种模式的诊断成像报告摘要。

在USMLE测试中，DeepSeek-R1的准确率是0.92，稍微比ChatGPT-o1（准确率0.95）差一点，但比Llama 3.1-405B（准确率0.83）强不少。

DeepSeek-R1 与 ChatGPT-o1 和 Llama 3.1-405B 在 USMLE 测试中的准确率对比

对于基于文本的病例挑战，DeepSeek-R1和ChatGPT-o1表现差不多，它们用的数据库分别是新英格兰医学杂志（NEJM）和Medicilline。

在肿瘤分类方面，DeepSeek-R1和ChatGPT-o1的表现也差不多（0.73 vs 0.81；p = 0.10）。

DeepSeek-R1 与 ChatGPT-o1 在 RECIST 分类中的表现对比

不过，DeepSeek-R1在提供诊断推理步骤时，被认为比ChatGPT和Llama 3.1-405B更准确。

但是，DeepSeek-R1提供的汇总成像报告的整体质量，还是比ChatGPT-o1差一点（5分Likert评分：4.5 vs 4.8）。

DeepSeek-R1 与 ChatGPT-o1 在汇总成像报告质量上的对比

这两项研究都表明，DeepSeek很有潜力成为开源医疗AI的“大明星”。它的诊断推理能力已经达到了临床可用的水平，虽然在知识覆盖深度和生成任务精细化程度上还有提升空间，但只要持续用本地数据进行微调，未来有望发展成一个既安全又可控的临床决策支持系统。

关于AI/数据科学+医疗健康，你有什么想知道的？欢迎留言