在人工智能快速发展的背景下，大语言模型（large language models，LLMs）在医学信息获取、临床决策支持和健康科普等领域的应用价值日益凸显
[1-3]。相较于传统搜索引擎或知识库系统，LLMs凭借其强大的上下文理解与自然语言生成能力，能够提供即时、个性化的复杂问题解答，在医学问答场景中展现出独特优势
[4]。
血液内科作为高度依赖规范化诊疗路径和个体化沟通的专科，对模型的专业准确性和人文表达能力提出了更高要求。尽管已有研究初步探讨了GPT等模型在医学教育和患者咨询中的应用潜力
[5-6]，但针对不同模型在细分专科领域多维性能的系统比较仍较为缺乏
[7-8]。
本研究以血液内科常见问题为切入点，从专业性和人文性两个维度，对比分析GPT-4o（OpenAI，2024）与国产模型DeepSeek-R1（DeepSeek，2024）在医学问答中的表现差异，旨在评估其临床适用性，并为后续模型优化与规范化应用提供参考依据。
1 资料与方法
1.1 研究设计
本研究采用定量评分结合定性分析的方法，比较GPT-4o与DeepSeek-R1两种大语言模型在血液内科典型问题回答中的综合表现。研究内容包括总体及各维度评分、专业及人文问题差异分析，以全面揭示两种模型在医学专业性与语言表达方面的异同。
1.2 问答任务设置
选取30个代表性血液内科问答问题，覆盖诊断流程、治疗决策、预后判断、情绪疏导、知情沟通等多个维度。为尽可能全面地涉及各类人群，我们根据提问者视角不同设置问题。其中，患者视角10题（编号Q1-Q10），医生专业视角10题（编号Q11-Q20），混合视角10题（编号Q21-Q30）。所有问题均由具有血液内科临床背景的研究者团队结合临床实际设计，确保内容真实、具有代表性，并符合患者或医师实际提问逻辑。
1.3 模型回答生成
使用GPT-4o（OpenAI，2024年5月版）与Deep-Seek-R1（DeepSeek，2024年6月版）分别对30个问题进行答复。为了控制变量，每个问题输入保持一致，未引入上下文记忆或附加提示词。两组回答均采用中文生成，经统一整理编号后，对回答文本中的潜在敏感信息进行了匿名化处理。
1.4 专家评分体系
由3名血液内科专家（主任医师、副主任医师和主治医师各1名）组成评估团队对模型回答进行评分。评分维度包括五个方面，分别为：医学准确性（Medical Accuracy）、回答完整性（Answer Completeness）、结构清晰度（Structural Clarity）、语言与适应性（Linguistic Appropriateness）、人文/推理深度（Humanistic Reasoning）。每题每维度评分为0~20分，每个题目五个维度合计的总分0~100分。评分采用盲法进行，即专家不知晓答案来源模型，避免评分偏倚。
1.5 指标收集及评估流程
（1）量化指标分析：收集并计算模型得分、回答响应时间（秒）、生成文本长度（字数）及单位字数得分比（即模型总得分与回答字数之比）
[9]。
（2）医学专业词汇及共情词句提取与评估：为进一步揭示不同大语言模型在血液内科医学问答任务中的语言风格与表达特征，本文从医学专业性与人文共情性两个维度开展系统性词汇分析。医学专业词汇的识别依托国际疾病分类第十版（ICD-10）与美国国立医学图书馆医学主题词表（MeSH）中文版；共情词汇的提取则基于SPIKES沟通模型的六步框架（情境设定、认知评估、信息邀请、知识传递、情绪回应、策略总结），结合临床沟通实践与语料回顾，构建初步共情表达词汇表。由两名独立医学人员对每份回答文本进行术语识别，并以“每百字术语密度”与“共情表达频次”进行统计，若两位标注人员存在分歧，由第三位研究者介入判定。
（3）定性内容分析：选取典型问题，结合文本语义与情境特征，分析模型回答在医学术语使用、情绪表达方式、逻辑结构构建及人文倾向等方面的表现特征。通过分析代表性回答内容，揭示两种模型在语言生成策略及人文适配能力方面的差异，为定量评分结果提供语境层面的补充解释。
（4）数据处理流程：本研究的统计单元为题目（n=30）。同一道题由两模型分别回答，并由三位专家独立评分。先在题目层面对三位专家评分取均值，随后在30题层面对两模型进行成对比较，以减少题目难度、文本长度等带来的题间差异。
1.6 统计分析方法
所有数据的整理与分析均在 GraphPad Prism（版本10.0）和 R 语言（版本4.3.2）中完成。若评分数据符合正态分布，结果以x±s表示，组间比较采用配对样本t检验；若不服从正态分布，以M（Q1，Q3）表示，组间比较采用Wilcoxon 符号秩检验。采用双侧检验，检验水准α=0.05。
2 结果
2.1 模型响应效率与内容密度对比
如
表1所示，GPT-4o模型的平均响应时间短于DeepSeek-R1（8.9±1.10 vs. 14.1±1.90 s，
P<0.001），GPT-4o模型的生成文本字数少于DeepSeek-R1（914±137 vs. 1383±333，
P=0.019）。在回答质量方面，GPT-4o得分高于DeepSeek-R1（83.41±1.84 vs. 81.88±1.41，
P<0.001）。GPT-4o模型的回答信息密度高于DeepSeek-R1（10.96±1.66 vs. 16.89±3.98，
P<0.001），提示GPT-4o在更简洁文本中传递信息的效率更高。
2.2 多维度评分分布比较
图1展示了GPT-4o与DeepSeek-R1在医学问答任务中五个评分维度（医学准确性、语言与适应性、人文/推理深度、结构清晰度、回答完整性）的得分分布。雷达图结果显示，GPT-4o在医学准确性（17.11±0.32 vs. 16.67±0.37，
P=0.013）、语言适应性（16.71±0.29 vs. 15.58±0.22，
P<0.001）和人文深度（16.49±0.35 vs. 15.71±0.31，
P<0.001）方面优于DeepSeek-R1；DeepSeek-R1在回答完整性方面表现优于GPT-4o（17.21±0.35 vs. 16.64±0.38，
P<0.001）；GPT-4o在结构清晰度方面与DeepSeek-R1（16.47±0.28 vs. 16.71±0.26，
P=0.477）差异无统计学意义。
2.3 专业与人文问题评分差异分析
如
表2所示，在专业问题中，两模型总分差异无统计学意义（82.26±1.40 vs. 81.78±1.45，
P=0.485）。在各维度上，DeepSeek-R1在回答完整性（17.37±0.48 vs. 16.56±0.33，
P<0.001）和结构清晰度（16.63±0.45 vs. 16.15±0.41，
P=0.032）以及专业词密度（5.48±1.01 vs. 4.60±0.49，
P=0.024）方面高于GPT-4o。
在人文问题中，GPT-4o的总分高于DeepSeek-R1（84.93±1.59 vs. 81.93±1.69， P=0.001）。各维度分析显示，GPT-4o在语言与适应性（17.04±0.59 vs. 15.59±0.70，P<0.001）、人文/推理深度（17.15±0.85 vs. 15.93±0.64，P=0.004）、医学准确性（17.19±0.38 vs. 16.70±0.35，P=0.013）及共情词句数量（2.72±0.32 vs. 1.67±0.44，P<0.001）方面均优于DeepSeek-R1。
3 讨论
3.1 研究核心发现总述
本研究通过血液内科典型问答任务，从患者、医师等三个不同视角以及医学专业性和人文表达两个主要维度系统对比了GPT-4o与DeepSeek-R1两种大语言模型的表现差异。研究采用专家评分体系和文本内容分析，综合考察了模型的问答质量、响应效率和语言生成特征。结果表明，两种模型在处理专业性医学问题时表现相近，但在人文情境问题上存在明显差异。具体而言，GPT-4o在医学准确性、语言适应性及人文/推理深度三个维度的表现优于DeepSeek-R1，在人文导向问题中，GPT-4o展现出更强的共情能力与情绪支持性
[10]，能够有效运用SPIKES沟通策略
[11] 、同盟性话语和结构化表达，契合共享决策与生物-心理-社会医学模式
[12-13] 。该模型尤其擅长处理患者视角的问题，能够结合情绪识别与叙事策略，精准把握患者心理需求
[14]，符合“以患者为中心”的现代医患沟通理念
[15]，尤其适用于初诊或病情告知等高情感负荷场景
[16] 。
相比之下，DeepSeek-R1在回答的完整性与结构清晰度方面虽有优势，但整体评分波动较大，尤其在人文关怀相关情境中表现较弱。该模型更注重专业术语准确性，强调法律规范融合，应答系统性较强、权责清晰，善于援引法规与临床指标
[17] ，因此更适合复诊或对医疗法律风险防控要求较高的场合。这一特点可能源于其训练数据中对情境和共情因素的覆盖不足
[18]。此外，DeepSeek-R1的回答通常较为冗长，存在明显信息冗余，导致单位字数内的信息质量较低。未来可通过算法优化减少冗余，提升其语言精准性
[19]。
在响应效率方面，GPT-4o表现出优势，响应时间较短且文本更为精炼，单位字数内的信息密度较高。这种高效且精准的回答模式使其更适用于实时医疗场景或对响应效率要求较高的临床决策支持任务
[20]。而DeepSeek-R1则适用于需要提供详细规范和法律依据的医疗咨询情境，其法理结构和逻辑性更强
[21-22]。
本研究所用的专家评分体系具有较高的信度和稳定性，确保了评价结果的可靠性
[23]。此外，研究设置的视角分层（患者、医生、混合视角）以及问题类型划分（专业与人文）使得分析结果更具精细化和实用价值，有助于后续模型的定向优化。
3.2 性能差异的驱动因素解析
综合本文研究结果，我们进一步分析了Deep-Seek-R1与GPT-4o性能差异的根本原因。当前主流大语言模型（LLMs）的性能分化，主要源于模型规模、资源投入强度、技术生态成熟度三大维度的系统性差距。具体分析如下：
（1）模型参数量级差异：DeepSeek-R1模型参数量为6710 亿（671B），而GPT-4等顶尖模型参数量达 1.7 万亿（1.7T），规模差距超2.5 倍。
（2）训练资源投入差距：DeepSeek 单模型训练成本约557.6 万美元，而国际头部厂商（如OpenAI）的同级模型训练成本达数亿美元量级，资本密集度差距显著。
（3）持续研发投入强度对比：国际领先机构年均研发投入超数亿美元，聚焦基础理论突破与前沿技术探索；相较而言，DeepSeek 的持续性研发资源仍显不足
[24]。
（4）技术生态成熟度滞后：DeepSeek 在国产算力芯片的硬件适配与算子优化方面处于产业化初期，在模型推理效率优化、关键技术指标（如推理延迟、吞吐量、准确率等）的竞争力，以及产品商业成熟度（规模化部署、生态建设、市场验证）等领域，与行业顶尖水平存在可观测的综合性能代际差异(observable performance gap)
[25]。
综上，DeepSeek-R1与GPT-4o的性能差异由模型规模、资源投入、研发强度与技术生态等多因素共同驱动。当前，国产模型在算力支撑、算法优化与应用成熟度等方面仍有较大的提升空间。未来须围绕高效训练资源配置、关键指标提升及生态系统完善等方向，进行系统优化和改进。
3.3 临床应用场景的适配性分析
（1）循证医学实践中的价值提升：LLMs的突破性进展，拆除了传统封闭式知识体系和资源壁垒的藩篱，为临床诊疗开辟了新的前景与挑战。基于LLMs，临床医务人员能够实现医学前沿指南的智能化检索与实时更新推送，显著提升循证医学实践的效率。
（2）优化医患沟通与信息传递：已有循证研究显示
[19]，利用自然语言处理与预训练对话模型的智能应答系统在解答患者核心诉求时，其应答质量评分（涵盖信息准确性与共情表现评价）已显著优于经专业培训的医生对照组。此类人工智能系统可作为前瞻性的辅助工具，通过标准化患者教育路径与个性化健康知识推送策略，有效提升患者自身疾病的健康素养认知度，进而优化医患沟通中的信息传递效率
[26]。此外，越来越多的患者开始在就医前或诊疗过程中向大数据模型咨询自身疾病诊疗相关问题，了解其提供的诊断建议和治疗方案。
（3）辅助临床决策与个体化治疗：不同于传统智能问诊软件，生成式人工智能工具具备强大的多模态数据整合能力，能在接受病史、症状与检查数据的基础上输出完整分析推理路径，增强诊断建议的可解释性与可信度。在初诊问询、治疗选择、风险告知等多环节中均可提供有力的决策支持，为实现个体化医疗策略提供新契机。
（4）临床应用挑战与改进：尽管如DeepSeek等人工智能工具在基础性医疗任务（如初筛分诊、数据追踪、病历生成等）中具有极大应用前景，但仍须面对精度控制、错误传播、算法偏倚等挑战
[27]。未来应重点优化临床AI算法的稳定性与可靠性，并加强其在伦理、隐私与法规方面的适配能力，以确保其在实际医疗场景中安全合规地运行。贯穿始终的应是医学伦理核心理念——“以患者为中心”，这一原则必须作为人工智能辅助医疗实践的根本价值导向。
3.4 现有局限与未来优化方向
本研究仍存在一些局限性。第一，研究涉及的问题数量有限，可能无法充分涵盖血液内科实际问答的所有情况；第二，仅比较了GPT-4o和DeepSeek-R1两种模型，未涉及其他开源或专用医学模型，限制了结果的普适性
[28]；第三，尽管采用了盲法评分，但专家主观偏好仍可能对评分产生潜在影响
[29]。未来研究应扩大样本规模，增加模型类型，并结合实际用户反馈进行更加全面的评估。
4 结束语
本研究表明，GPT-4o和DeepSeek-R1在血液内科医学问答方面存在性能差异，主要体现在人文表达、语言适应性以及结构化表达等层面。研究指出，未来大语言模型应用于医学领域时，在确保内容具备专业性和完整性的前提下，要着重优化情境感知能力、人文关怀水平以及表达策略。此外，还应依据具体临床场景，对模型功能进行定向强化和精准适配，从而提高模型在真实医学实践中的实用性和临床价值。
京公网安备11010202008535号
PDF
(665KB)
