We also have X and podcasts
大语言模型在精神病学临床推理中的能力评估与挑战
一项新发表的综合基准测试研究评估了当前最先进的大语言模型在精神病学临床推理中的能力，发现顶级通用模型虽已达到接近专家水平的诊断准确率，但在复杂临床场景中仍存在关键局限，不适合在高风险决策中独立应用。
研究背景与意义
大语言模型（LLM）在医学领域的临床应用研究日益增多，但精神医学作为高度复杂、需要综合推理和细微判断的临床专科，对模型能力提出了特殊考验。精神医学涉及诊断的多维性、患者安全的严肃性和临床决策的复杂性，传统的医学知识基准测试可能无法全面反映模型在真实精神科临床场景中的实际表现。
为了系统评估这一问题，研究团队开发了PsychiatryBench——一个严格按照权威精神病学教材和病例集精心设计的多任务基准测试。这项工作试图回答一个关键问题：当下最先进的大语言模型究竟能在多大程度上接近精神科医生的专业临床推理能力？
主要研究发现
- 顶级模型达到接近专家水平的诊断准确率：GPT-5 Medium达到84.5%的准确率，Claude Sonnet 4.5达到83.7%，展现出显著进步，相比早期模型提升8-10个百分点，表明大语言模型在精神病学知识应用上的持续改进趋势。
- 通用模型在复杂推理任务中超越专科模型：令人意外的是，通用的前沿模型（如GPT-5）在管理规划和序列推理等复杂临床任务中的表现明显优于专门针对医学领域优化的模型（MedGemma等）。这说明面向医学的专科模型虽然在知识密集型分类任务中表现良好，但在需要灵活推理的场景中反而不如通用模型。
- 多病种分类识别仍是突出难题：即便是最顶级的模型，在多标签精神障碍分类任务中也仅能达到45%的准确率，这表明模型在需要同时识别并区分多种共病精神病学诊断时存在本质性的困难。
- 题型和格式对模型性能影响显著：扩展匹配项（Extended Matching Items，EMI）这类临床教学常用的题型对模型的适应性和准确性产生了可变的影响，说明大语言模型的临床推理能力在一定程度上依赖于信息呈现的形式。
- 推理模式的效果具有模型特异性：对Claude Sonnet 4.5，启用’思维’模式（deliberative thinking）的推理显著提升了其性能，但在Gemini等其他模型上效果不稳定或微乎其微，这提示不同架构的模型对推理增强策略的反应差异很大。
- 模型间稳定性和一致性存在明显分化：顶级通用模型在不同临床题型间表现出高度的一致性和稳定性，而专科模型和较低级别的模型则在各类任务间显现出较大的性能波动。
临床应用的现实意义
本研究的结果对精神医学临床实践具有重要启示。虽然大语言模型在单一诊断推理上已达到较高准确率，但精神医学临床工作的复杂性远超单一诊断。精神科患者常伴有多种共病情况，临床医生需要在综合患者病史、心理社会因素、既往治疗反应和安全风险因素的基础上，做出动态的、个体化的管理决策。大语言模型在复杂的多诊断场景、危机评估和药物选择决策中的明显不足，意味着当前这些模型不应被用于替代临床医生的高风险决策。
研究发现，最安全和最有实际价值的应用场景应该是在三个方面：其一是医学教育和培训，模型可以用来为医学生和住院医生生成临床病例讨论和诊断推理的解释；其二是临床文档辅助，协助医生撰写病历摘要和管理计划；其三是初步临床评估的支持，为临床医生提供初步的诊断思路参考。这些应用都建立在人类医生保持关键监督和最终决策权的基础上。
相反，不适合的应用包括危机干预的独立决策、自杀风险评估、强制医疗决定和药物选择的无监督自动化。这些场景涉及患者的生命安全和基本权益，必须由经过充分培训的精神科医生进行最终判断。
研究的局限性与未来方向
尽管PsychiatryBench是迄今最全面的精神病学大语言模型评估基准之一，覆盖5188个专家标注项目和11种不同的临床任务类型，但仍然存在需要认识的局限。首先，基准测试主要基于教科书和经典病例，而临床实践中遇到的患者情况往往更加复杂和多变；其次，评估依赖于单一的文本输入形式，而临床诊断需要整合患者的多模态信息，包括观察到的行为、情感表达和非语言信号；再次，现有评估框架尚未充分涵盖精神医学诊疗中最具风险的决策场景，如自杀风险评估和强制治疗。
未来的研究方向应着重于：一是对大语言模型进行针对性的微调和对齐，使其适应精神医学的诊疗规范而非单纯追求医学知识的专科化；二是开发更加稳健的评估范式，包含更多高风险临床场景的模拟；三是建立清晰的人机协作框架，明确大语言模型和临床医生各自的角色和责任边界；四是进行前瞻性的临床验证研究，在真实的临床环境中评估这些模型的实际表现和安全性。
Original paper: PsychiatryBench: a multi-task benchmark for LLMs in psychiatry. — NPJ digital medicine. 10.1038/s41746-026-02582-w
