美国麻省总医院MESH孵化器团队在《JAMA Network Open》发表最新研究成果，对ChatGPT、DeepSeek、Claude等21种主流大语言模型进行临床测试。结果显示，当获得完整患者信息时，所有模型在90%以上的病例中能给出正确最终诊断，但在早期诊断阶段表现欠佳，80%以上的情况下无法提出合理的“鉴别诊断”——这一临床推理的核心能力。研究团队提出PrIME-LLM新指标，综合评估模型从诊断到治疗方案制定的全流程能力，发现各模型整体评分仅在64%至78%之间。团队强调，当前大模型更擅长“信息完备下的答案输出”，不适合无监督直接用于临床实践，核心价值在于辅助医生决策，而非取代医生。