GPT-5.1在眼科伦理问题解答中获医生更高评分
摘要
研究对比了GPT-5.1与人类伦理专家对10个眼科伦理案例的回应,案例随机选自美国眼科学会(AAO)“Ask the Ethicist”网站。10名医生独立评分(6点Likert量表评估在自身工作中的使用意愿,5点量表评估对患者的影响)。GPT-5.1回应可读性更低(Flesch得分10.9对25.4),但使用意愿中位分更高(5.0对4.1),感知患者影响也更高(3.9对3.6),评分者间一致性为中等。研究认为大语言模型值得作为眼科伦理问题的辅助工具进一步探索。
信息来源: PubMed Ophthalmology 发布于 2026年9月7日
要点速览
- 10个眼科伦理案例随机选自美国眼科学会“Ask the Ethicist”网站,由10名医生独立评分。
- GPT-5.1回应可读性低于人类伦理专家(Flesch得分10.9对25.4)。
- 医生对GPT-5.1回应的使用意愿中位分为5.0,高于人类伦理专家的4.1;感知患者影响3.9对3.6。
- 评分者间一致性为中等,研究认为大语言模型值得进一步探索。
本站解读
这项研究把GPT-5.1和人类伦理专家放在同一组眼科伦理案例上比较。10个案例随机选自美国眼科学会的“Ask the Ethicist”栏目,由10名医生独立打分。结果有点反直觉:GPT-5.1的回答更难读,Flesch阅读易度只有10.9,人类专家为25.4;但医生更愿意在工作中参考GPT-5.1的回答,使用意愿中位分5.0对4.1,对患者影响的评分也略高,3.9对3.6。
证据强度有限。案例只有10个,评分者也只有10人,评分者之间的一致性只是中等;摘要没有说明评分时是否对回答来源设盲,这会影响对结果的解读。研究衡量的是医生的主观偏好,并不代表GPT-5.1的伦理判断更正确。
我们的判断是,大模型在眼科伦理讨论中更可能扮演整理思路的辅助角色,短期内不会替代伦理委员会或医生的判断。国内的医疗伦理规范和法律环境与美国不同,这项基于英文案例的结论能否适用于国内,有待验证。
常见问题
AI能代替医生做眼科伦理方面的决定吗?
不能。这项研究只比较了GPT-5.1和人类伦理专家对10个案例的书面回答,医生更愿意参考GPT-5.1的回答,但这反映的是主观偏好,不代表AI的判断更正确,作者的结论也只是值得进一步探索。国内伦理规范与美国不同,涉及个人治疗的伦理问题如有疑虑可咨询眼科医生。
AI写的回答更难读,为什么医生打分反而更高?
研究没有解释原因,只报告了结果。GPT-5.1回答的Flesch阅读易度为10.9,比人类专家的25.4更低,说明文字更难读;但医生给它的使用意愿评分中位数为5.0,高于人类专家的4.1。案例和评分者都只有10个,结论还很初步,国内医生的评价是否相同也有待研究。
延伸阅读
眼表摄影标准化:AI应用的瓶颈与路径
该综述指出,尽管裂隙灯彩色摄影是眼前节记录和随访的基础手段,但其采集与处理长期缺乏统一标准。眼表曲面几何、离轴照明、周边失焦、自动白平衡及瞳孔依赖的曝光变化等因素,严重制约图像可重复性、设备间可比性和临床实用性。文章系统梳理了干眼病、结膜充血、感染性角膜炎等五类眼表疾病中OSP的应用现状,并揭示当前AI模型开发受限于缺乏大规模、多人群、高质量标注的眼表图像数据集,以及缺乏可量化的稳定表型和可靠标签。
基于眼底照相的颈动脉内中膜厚度风险分类模型
研究提出一种名为BMA-Net的双侧注意力网络,结合视网膜领域迁移学习,利用眼底照片进行基于颈动脉内中膜厚度(CIMT)的心血管风险分类。模型先在亚太远程眼科学会(APTOS)2019失明检测数据集上预训练,再迁移到中国眼底CIMT数据集进行分类。十次独立初始化实验中,验证集宏F1均值为77.81%,AUC为84.08%;测试集分别为78.29%和85.22%,各项指标点估计高于此前的Siamese ResNeXt基线模型。
基于OCT图像的冰毒成瘾AI检测框架
研究团队开发了一种结合深度学习与机器学习的混合框架,用于从光学相干断层扫描(OCT)图像中自动识别甲基苯丙胺成瘾者。该框架使用改进的ResNet50-OCT模型提取多层特征,经多分辨率特征选择降维后,由多种核函数的支持向量机分类,并通过阈值过滤迭代多数投票融合结果。在193名受试者的3859张OCT图像上测试,10折交叉验证准确率达89.43%,留一法验证为74.07%。