《Frontiers in Oncology》：Large language models in patient education for brain tumors: opportunities, risks, and ethical considerations
编辑推荐：
本综述深入探讨了大型语言模型（LLMs）在脑肿瘤患者教育中的前沿应用。文章系统评估了LLMs在解释影像结果、诊断和治疗方案方面的潜力，及其在提升健康素养、可及性和教育连续性方面的优势。同时，文中也审慎分析了包括幻觉效应、输出可变性、过度信任、数据隐私和伦理挑战在内的核心风险。最后，作者为在神经肿瘤学领域负责任地整合LLMs，提出了一套以临床医生为主导的监督框架，旨在赋能患者理解，同时确保安全与伦理标准。
在神经肿瘤学领域，脑肿瘤的诊断与治疗之路布满荆棘。患者不仅面临复杂的影像学发现和多学科诊疗路径，其认知功能和情绪状态也往往因疾病本身而变得脆弱。传统的患者教育模式，受限于临床会面的短暂时间与信息过载，常常难以满足患者对自身病情的深入理解需求。此刻，基于人工智能的大型语言模型（LLMs）如同一柄双刃剑，正被引入这一高敏感性的医疗场景，试图在信息的汪洋中为患者点亮一盏明灯。
脑肿瘤与患者的沟通需求
脑肿瘤直接侵袭着人类意识与人格的中枢，其生物学多样性、对影像学诊断的高度依赖以及对认知情感的直接影响，构成了独特的沟通挑战。研究表明，现有的患者教育材料，无论是网络资源还是由ChatGPT-4生成的内容，其阅读难度普遍超出了推荐的健康素养水平，甚至达到了研究生级别，这无疑在患者与关键医疗信息之间筑起了一道高墙。临床医生虽竭尽所能，但在医师资源短缺的背景下，有限的沟通时间使得患者及其家属的许多疑问无法在初次会面中得到充分解答，他们往往转向网络或支持团体寻求答案，这揭示了当前沟通模式的不足。
大型语言模型：临床医生的技术武器
LLMs本质上是通过学习海量数据中的统计模式来生成类人文本的深度神经网络。它们并非真正理解医学，而是识别与医学推理相关的语言模式。这一特性既赋予了它们将复杂临床评估转化为通俗解释的能力，也带来了“幻觉”（生成看似合理但错误的信息）和输出不稳定的固有风险。例如，在解读神经心理学评估报告时，LLMs能以较高的准确性生成患者友好的解释；然而，在独立分析细微的MRI影像特征以诊断高级别胶质瘤时，多数先进模型的准确率远低于临床医生。这清晰地划定了LLMs的能力边界：它们擅长处理和重新组织文本信息，而非进行独立的临床影像诊断。
大型语言模型在脑肿瘤患者教育中的应用
当前，LLMs在神经肿瘤学患者教育中的应用主要定位于信息澄清与解释的支持工具，其核心价值在于“翻译”而非“决策”。具体应用可概括为以下几个领域：
- •
神经影像沟通：当输入结构化的放射科医生撰写的MRI报告时，LLMs能够将专业的影像印象总结转化为更清晰的、患者可理解的解释，帮助患者理解“片子上显示了什么”，但需强调的是，这并非替代放射科医生对原始图像的诊断。
- •
神经心理评估解释：对于术前认知测试等复杂评估，LLMs可以清晰地说明测试目的、方法和结果意义，帮助患者为手术决策做好认知层面的准备。
- •
治疗与症状教育：在模拟场景中，LLMs能够阐释手术、放疗、化疗等治疗路径，并能在患者描述令人担忧的神经系统症状时，强化紧急就医的建议，起到在诊间外巩固医疗指导的作用。
- •
健康素养支持：通过提供按需的、个性化的解释，LLMs有望弥补当前教育材料的不足，成为临床沟通的延伸。
值得注意的是，LLMs的表现因脑肿瘤亚型而异。例如，在回答垂体腺瘤患者的一般性问题时，其回复被神经外科医生评为可信的比例超过82%；在脑膜瘤放疗后的患者教育中，LLMs生成的内容也被超过90%的患者评为清晰相关。然而，对于胶质母细胞瘤等亚型，LLMs在复杂影像推理方面仍显不足。这些发现支持了其作为“ clinician-supervised educational tools”（临床医生监督下的教育工具）的定位，而非独立的临床资源。
LLM教育工具的优势与风险
LLMs作为辅助工具，其优势显而易见：能够跨越健康素养的鸿沟，提供7/24的可及性，并能根据个体需求定制解释的详略和语气，从而可能提升患者的参与感和理解度。
然而，其风险与伦理挑战同样严峻且不容忽视：
- 1.
幻觉与不准确性：在脑肿瘤护理这类高风险讨论中，一个自信但错误的预后或治疗信息可能导致严重的混淆、错误安慰或焦虑。
- 2.
过度信任与自动化偏见：LLMs流畅、权威的文本输出风格，可能使情绪脆弱、认知受损的患者过度依赖其信息，从而损害真正的医患共同决策。
- 3.
输出可变性：回答的质量对提示词设计、模型版本和输入质量极为敏感，可能导致信息完整性不一致，例如遗漏关键副作用详情。
- 4.
数据隐私与偏见：处理敏感健康数据引发保密性担忧，且训练数据中存在的偏见可能导致文化不敏感或不公平的解释，加剧健康差异。
- 5.
情感依赖与问责模糊：长期与AI对话可能使患者产生复杂的情感联结或依赖，而错误信息的责任归属在制造商、医疗机构和临床医生之间仍需厘清。
为应对“幻觉”风险，检索增强生成（Retrieval-Augmented Generation, RAG）等技术被用于将输出限制在经过审核的知识源内。同时，监管框架也在演进，例如欧盟AI法案要求“人在回路”（Human-in-the-Loop）架构，确保LLM的输出需经执业人员验证方可交付患者。
负责任整合的临床实践框架
为确保安全，必须在神经肿瘤学中建立结构化的、临床引导的整合框架。该框架的核心原则包括：
- •
明确用途界定：严格限定LLMs用于解释诊断、影像、治疗及一般预后，明确排除其用于诊断决策或治疗建议。
- •
临床监督与验证：坚持“人在回路”模式，LLM的所有输出在送达患者前，必须由临床医生进行审查、修改和批准，这是保障准确性和专业责任的底线。
- •
提示词与输出治理：采用标准化提示词模板，明确要求输出阅读等级（例如≤8年级水平）、强制加入不确定性声明、定义所有医学术语，并自动附上机构免责声明，阐明其仅为教育支持工具。
- •
系统整合与审计：将工具集成到安全的电子健康记录（EHR）和患者门户中，所有交互需记录在案，以便进行质量审核、监控幻觉率并确保可追溯性。
- •
多方问责与AI素养教育：建立制造商（系统性能）、医疗机构（实施治理）和临床医生（最终验证）的责任共担机制，并对医患双方进行AI素养培训，正确认识工具的辅助属性。
未来方向
前方的研究道路仍需深耕。未来的工作应侧重于针对不同脑肿瘤亚型（尤其是尚未充分研究的脑转移瘤、儿科肿瘤等）的疗效验证，并开展以患者结局（如理解度、决策参与、焦虑水平）为重点的真实世界研究。开发能够同步解读影像与报告的多模态LLMs、提升健康素养支持的适应性（如多语言、文化适配），以及在符合欧盟AI法案、美国食品药品监督管理局（FDA）预定变更控制计划（PCCP）等监管要求下，建立完善的验证、治理和问责标准，是推动该领域走向成熟应用的关键。
结论
总而言之，大型语言模型为改善脑肿瘤患者教育带来了新的曙光，其将复杂信息转化为可及解释的潜力值得期待。然而，当前其仍受限于准确性、稳定性及伦理等方面的严峻挑战，绝不能替代临床医生的专业判断。唯有通过严谨的评估、结构化的治理，并在临床医生的严格监督下将其作为教育辅助工具整合，方能在不牺牲安全与伦理的前提下，真正赋能患者，帮助他们在应对脑肿瘤的艰难旅程中，变得更知情、更参与、也更受支持。
