夜雨聆风
体检报告，AI能看懂吗？
很多人拿到体检报告，第一反应不是去找医生，而是先上网搜。
“低密度脂蛋白偏高怎么办？”
“尿蛋白一个加号严重吗？”
“γ-GTP升高是不是肝出问题？”
“血压这一栏到底算不算高血压？”
体检报告看起来是结构化数据：数字、单位、参考范围、异常箭头。但对普通人来说，它并不友好。尤其是多个指标同时异常时，患者很容易把单个数值放大，或者被网上信息带偏。
这篇 npj Digital Medicine 文章做了一个很实际的测试：大语言模型到底能不能稳定解读体检结果？
研究团队使用韩国国家健康保险服务系统的健康体检数据，评估了4个大模型：Claude Sonnet 4、Gemini 2.5 Pro、GPT-4o和LLaMA 3.1-70B。他们没有对模型做医学微调，而是通过不同提示词策略，让模型对体检项目进行分类解读。结果很清楚：提示词写得好，准确率可以明显提升；但并不是所有体检项目都一样容易，血压最容易出问题。
清璟AI——清北医工交叉团队，擅长AI智能体、大模型、深度学习、机器学习、多模态与多组学等，能够为医学研究者和临床医生提供全方位的支持与创新解决方案。我们拥有顶级科研资源，欢迎咨询！共同探索AI与医学的无限可能，一起发顶刊！
核心结论
最简单地说，有三点。
第一，大模型“裸读”体检单不够稳。
Zero-shot情况下，也就是只给简单指令、不提供明确规则，4个模型平均准确率只有0.69。
第二，提示词工程非常重要。
当研究加入角色设定、少样本示例、参考范围约束和Chain-of-Thought后，平均准确率提升到0.95。Claude Sonnet 4和Gemini 2.5 Pro达到0.99，GPT-4o达到0.98。
第三，血糖、血脂、肝酶这类指标很好判断，血压却很难。
多数生化指标准确率接近0.99–1.00，但血压准确率明显低一些，不同模型大约在0.61–0.91之间。原因并不神秘：血压不是一个单值判断，要同时看收缩压、舒张压，还涉及正常、升高、1级、2级、单纯收缩期高血压等多分类边界。
这也是这篇文章最值得医生关注的地方：大模型不是不会看体检单，而是不能让它凭感觉看。
研究团队和数据来源
这项研究来自韩国蔚山大学医学院、首尔峨山医学中心医学信息与统计学相关团队。研究使用韩国国家健康保险服务系统的健康体检数据。韩国每年约有2200万人具备健康体检资格，其中超过75%实际参加体检；作者指出，虽然现有体检报告会标记异常值并给出基础解释，但患者理解报告仍然存在困难。
研究中，作者从健康体检数据中筛选无缺失记录，经过处理后得到约32万条记录，再分层抽样选择10,000例用于模型评估。涉及项目包括BMI、血压、空腹血糖、总胆固醇、甘油三酯、HDL-C、LDL-C、血红蛋白、尿蛋白、肌酐、AST、ALT和γ-GTP等。
这不是让AI“诊断疾病”，而是让AI根据既定参考范围，对体检结果做分类解释。这个任务比真正临床诊断简单，但更贴近体检中心和患者教育场景。
研究亮点
不是问AI医学考试题，而是让AI处理真实体检结构化数据。
比较了4个大模型，包含闭源模型和开源模型。
系统测试提示词策略，从zero-shot到CoT逐步增强。
样本量达到10,000例，并重复运行3次评估稳定性。
专门分析了年龄、性别相关偏倚，提醒临床部署不能只看平均准确率。
Figure 1｜研究流程：体检数据进入大模型前，必须先定义规则
图注：
Figure 1展示研究总体流程。研究首先收集韩国国家健康保险服务系统的健康体检数据，随后根据各体检项目的正常/异常参考范围进行标签化，再将结构化体检结果输入4个大语言模型，比较不同提示词策略下的解释准确率和重复稳定性。
图示解读：
这张图的重点不是“用了几个模型”，而是模型前面那一步：先把参考范围和分类规则讲清楚。
比如空腹血糖要区分正常、糖尿病、空腹血糖受损；HDL-C要区分正常、低、高、很高；γ-GTP还要按性别分别设置参考范围。
这和临床实际很像。医生解读体检单时，并不是看到一个数字就凭印象判断，而是会结合参考范围、性别、年龄和项目本身的医学含义。大模型要做这件事，也必须把规则喂给它。
所以，体检报告AI解读的关键不只是“选哪个大模型”，还包括：参考范围从哪里来、分类标签怎么定义、提示词有没有把规则写清楚、输出格式能不能稳定。
Table 1｜提示词越清楚，大模型越靠谱
图注：
Table 1比较5种提示词策略下4个大模型的平均准确率，包括zero-shot、角色设定、少样本示例、约束条件和Chain-of-Thought组合提示。
图示解读：
这张表很适合所有做医学大模型应用的人看。
只给简单指令时，平均准确率是0.69。加上角色设定后提升到0.74；加入少样本示例后达到0.80；再加入明确参考范围和约束条件后，直接升到0.92。最后加上Chain-of-Thought，平均准确率达到0.95。
这说明，在结构化体检解读这种任务里，提示词不是装饰，而是决定模型能不能按医学规则工作的关键。
临床上不能简单说“让AI解释一下体检报告”。更稳妥的做法应该是：告诉模型它是什么角色、按哪个指南或参考范围判断、如何一步步比较数值、最后用什么格式输出。
Figure 2｜模型对比：Claude、Gemini、GPT-4o接近满分，LLaMA掉队明显
图注：
Figure 2展示4个大模型在不同体检项目上的平均准确率。图A展示多分类项目表现，图B展示二分类项目表现，图C比较各模型整体平均准确率和标准差。
图示解读：
整体表现上，Claude Sonnet 4和Gemini 2.5 Pro平均准确率均为0.99，GPT-4o为0.98，LLaMA 3.1-70B为0.85左右。
多数常规生化项目非常稳定。空腹血糖、总胆固醇、甘油三酯、HDL-C、尿蛋白、AST、ALT等，在前三个模型中几乎都能达到0.99–1.00。
但血压是明显短板。Claude Sonnet 4血压准确率为0.91，Gemini 2.5 Pro为0.89，GPT-4o为0.88，LLaMA 3.1-70B只有0.61。
这说明一个很现实的问题：越是简单阈值判断，AI越稳；越是多分类、需要整合多个数值的指标，越容易出错。
血压恰好就是这样的项目。它不只看收缩压，也不只看舒张压，还要处理两者不一致时的分类逻辑。对医生来说这是常规判断，对大模型来说却很容易在边界条件上失误。
Table 2｜别只看准确率：敏感性和F1也暴露问题
图注：
Table 2展示4个模型在10,000例体检数据中的准确率、敏感性、特异性和F1-score，并重复测试3次评估稳定性。
图示解读：
如果只看准确率，很多指标看起来都很漂亮。但Table 2提醒我们：体检AI不能只看accuracy。
以血压为例，Claude Sonnet 4准确率达到0.91，但F1-score只有0.66；GPT-4o血压准确率0.88，F1-score为0.54；LLaMA血压F1-score只有0.46。
为什么会这样？因为体检数据里正常样本往往占比较高，模型把大部分正常人判断对，accuracy就会好看；但真正需要识别的异常类别、多分类边界，可能表现并没有那么稳。
这对临床部署非常重要。体检中心真正关心的不是AI能不能把大多数正常结果判断对，而是能不能别漏掉需要随访、复查、就诊的人。
Table 3｜速度、成本和部署：GPT-4o最快，LLaMA免费但不一定省心
图注：
Table 3比较4个大模型的关键特征，包括开发者、版本、平均token使用量、推理时间、参数设置和调用成本。
图示解读：
这张表把“模型选型”讲得更现实。
Claude Sonnet 4、Gemini 2.5 Pro、GPT-4o都是商业闭源模型，LLaMA 3.1-70B是开源模型。推理时间上，GPT-4o约3.75秒，Claude约13.33秒，Gemini约24秒，LLaMA约18秒。
这意味着，如果做大规模体检报告自动解释，不能只看准确率。还要看调用成本、推理速度、隐私合规、医院能否私有化部署，以及模型对本地参考范围的适配能力。
开源模型看起来成本低，但在这项研究里，LLaMA 3.1-70B整体准确率明显低于其他模型，尤其BMI、血压、LDL-C等项目表现不够理想。
所以，医院真正落地时可能会遇到一个取舍：闭源模型效果好但涉及数据安全和成本；开源模型可控性强但需要更多本地调优和验证。
还有一个细节：年龄和性别偏倚不能忽视
这篇文章没有只停在“哪个模型最强”，还做了亚组分析。
按性别看，Claude Sonnet 4在BMI判断上对男性准确率更高；LLaMA 3.1-70B在尿蛋白、肌酐和γ-GTP上出现不同方向的性别差异。Gemini 2.5 Pro和GPT-4o没有显示明显性别相关偏倚。
按年龄看，Claude Sonnet 4和Gemini 2.5 Pro在血压评估中，随着年龄增加准确率下降；LLaMA 3.1-70B在LDL-C和血红蛋白方面出现年龄相关差异。GPT-4o在年龄亚组中表现相对稳定。
这个结果很有临床意义。体检解释不是给“平均人群”看的。老年人、不同性别、不同参考范围、不同国家和地区，都可能影响判断规则。大模型如果要进入体检报告系统，必须做本地化验证，不能只拿总体准确率说事。
这篇文章怎么读，才不跑偏？
第一，它不是证明大模型可以替代医生解释体检报告。
研究任务主要是结构化数值分类，不包括病史、用药、症状、既往疾病和综合诊断。作者也明确指出，研究结果应被视为探索性，不能替代医生判断或完整诊断。
第二，它也不是证明规则系统没用了。
对于确定性阈值分类，传统规则系统本来就可以做到非常稳定，甚至可以达到100%。大模型的价值不在于替代规则判断，而在于后续能生成患者能看懂的解释、生活方式建议和随访提醒。
第三，它真正提醒我们：医学大模型应用不能裸奔。
没有参考范围、没有约束、没有步骤、没有输出格式，模型表现会明显下降。把规则写进提示词后，表现才明显提升。
第四，血压、BMI这类看似简单的项目，反而最需要小心。
因为它们涉及多分类、年龄/性别背景、生理差异和边界值判断。体检AI最容易出问题的地方，往往不是最复杂的医学术语，而是这些“医生觉得很基础”的常规项目。
给临床团队的选题启发
这篇文章很适合体检中心、全科医学、健康管理中心、检验科、心内科、内分泌科和医学信息团队参考。
方向一：本土体检报告AI解读系统
基于中国体检中心数据，建立适合本地参考范围的体检结果自动解释系统，重点验证血压、血脂、血糖、肝肾功能、尿检等项目。
方向二：规则系统+大模型双层架构
第一层用规则系统完成确定性分类，第二层用大模型生成患者友好的解释和建议。这样比让大模型直接判断更安全。
方向三：体检异常结果分层随访
不仅告诉患者“异常”，还根据异常组合识别需要复查、门诊、专科转诊或生活方式干预的人群。
方向四：大模型体检报告可读性研究
比较传统体检报告、医生人工解释、大模型解释、规则增强大模型解释，在患者理解度、焦虑程度和复查依从性上的差异。
方向五：公平性与本地化验证
重点评估不同年龄、性别、民族、地区和慢病人群中模型表现是否一致。特别是血压、肌酐、γ-GTP、BMI这类容易受人口学因素影响的项目。
写在最后
体检报告解读，是医学大模型最容易落地、也最容易被低估的场景之一。
它不像复杂诊断那样需要完整病史和推理链，但又比简单异常标记更需要解释能力。患者真正需要的不是一个红色箭头，而是明白：这个指标为什么异常、严重不严重、需不需要复查、该找哪个科、生活方式要改什么。
这篇研究给出的答案很务实：大模型可以做，但不能裸用。规则、提示词、参考范围、输出格式、亚组验证，一个都不能少。
如果你的团队有体检数据、检验报告、健康管理随访或患者咨询记录，可以从“体检报告智能解读”切入。相比一上来就做复杂诊断，这类课题更容易拿到数据，也更容易形成真实应用闭环：自动分类、患者解释、医生审核、复查提醒、随访管理。
关于我们
清璟AI由国内TOP2高校医工交叉博士联合创立，专注于医疗大模型科研、影像组学、病理组学、深度学习、AI智能体、生信分析、多组学、多模态和各类人工智能算法。致力打造一站式Al+医学科研生态圈，提供专业的AI智能体、高端科研资源及一对一定制化服务。我们的服务涵盖从科研方案设计、数据处理到AI模型训练及系统开发等各个领域，旨在为医学研究者和临床医生提供全方位的支持与创新解决方案。携手清璟AI，让科研更智能，让医学更精准。
科研合作请联系
长按二维码加微信
