妇科肿瘤学决策支持再升级：指南锚定检索增强生成优于基础模型与文献型 AI

亮点

本研究显示，在妇科肿瘤学决策支持中，采用以指南为锚点的检索增强生成（retrieval-augmented generation，RAG）大型语言模型配置，较基础模型 GPT-5 及仅以文献为基础的人工智能系统具有显著优势。主要结果强调，将 NCCN 等可信指南库直接整合入模型，对于提高人工智能生成临床建议的准确性并减少“幻觉”至关重要。

主要评价指标的评估者间一致性为中等，支持了研究结果的可重复性。该基准研究先于临床整合阶段开展，强调的是不同模型之间的性能差异，而非临床安全性或患者结局的改善。

研究背景

由于诊疗标准不断演变且病例表现多样，妇科肿瘤学在诊断与治疗决策方面面临复杂挑战。人工智能（artificial intelligence，AI），尤其是大型语言模型（large language models，LLMs），通过处理大量医学信息并生成建议，已成为增强临床决策支持的有前景工具。

然而，LLMs 常出现“幻觉”，即生成不准确或缺乏依据的内容，从而限制其临床可靠性。将国家综合癌症网络（National Comprehensive Cancer Network，NCCN）指南等权威来源直接整合到 AI 模型中，可能通过以经过验证的知识作为锚点来缓解这些问题。

研究设计

本研究使用于 2025 年 10 月至 11 月提交的 50 例去标识化临床病例，对妇科肿瘤学决策支持中的三种 AI 配置进行了基准评估：

• 基础 GPT-5：未进行增强检索的标准大型语言模型。

• NCCN 锚定的 GPT-5 RAG：直接整合 NCCN 指南的检索增强生成模型，可在生成回复时检索最新且权威的知识。

• OpenEvidence：以文献为锚点的临床 AI 系统，但在测试时尚未接入 NCCN 指南。

三名妇科肿瘤学专家使用改良生成性能评分（modified Generative Performance Score，mGPS）对 AI 输出进行评分。该评分范围为 -1 至 +1，综合考虑指南一致性以及对“幻觉”（错误）内容的惩罚。其他指标包括“幻觉惩罚”组成部分，以及可读性和合理性评估。统计学分析采用 Wilcoxon 符号秩检验和混合效应有序 logistic 回归，以比较不同配置的表现。

主要发现

以 NCCN 为锚点的 GPT-5 RAG 配置获得最高的 mGPS（均值 0.83，SD 0.26），显著优于基础 GPT-5（均值 0.65，SD 0.31）和 OpenEvidence（均值 0.70，SD 0.27）。具体统计比较如下：

• GPT-RAG 与基础 GPT-5：W = 189.5，Z = -3.42，P < 0.001，效应量 r = 0.49。

• GPT-RAG 与 OpenEvidence：W = 254.0，Z = -2.64，P = 0.008。

• OpenEvidence 与基础 GPT-5：差异无统计学意义（P = 0.22）。

混合效应有序 logistic 回归证实，GPT-RAG 获得更优 mGPS 结果的可能性显著更高（比值比 3.74；95% CI，1.57–8.90）。

评估者间一致性因评分领域不同而异：mGPS 的组内相关系数（intraclass correlation coefficient，ICC）为 0.49，提示专家评分者之间具有中等一致性；“幻觉惩罚”组成部分的一致性较低（ICC 0.30）；而可读性与合理性的评估一致性较高（ICC 0.70）。

值得注意的是，OpenEvidence 随后于 2026 年 4 月 27 日整合了 NCCN 指南，从外部验证了直接以指南为锚点对提升性能具有实际操作意义。

专家点评

本研究通过直接比较基础模型、文献锚定模型和指南锚定模型，解决了 AI 在妇科肿瘤学临床决策支持应用中的一个关键障碍。NCCN 锚定 RAG 的明显优势表明，在 LLM 架构中嵌入经过验证、来源于指南的知识，对于减少不准确性和提高临床一致性是必要的。

评估者间一致性统计提示总体一致性尚可，但也反映出对 AI 生成临床建议进行评分时固有的复杂性。尽管研究结果令人鼓舞，但必须指出，该基准研究并不等同于已确立的临床安全性，也不意味着患者结局必然改善。仍需开展实施研究和前瞻性评估。

从机制层面看，检索增强生成方法可在回复生成过程中对整理后的数据库进行动态查询，从而减轻静态 LLM 常见的知识截止限制和上下文错误。NCCN 指南被公认为肿瘤学领域的金标准，将其整合入模型可借助最高等级的结构化证据支持决策。

本研究的局限性包括病例样本相对较小、仅限于整合前情境，以及缺乏真实世界结局数据。该研究也展示了在 AI 可解释性、幻觉风险与指南更新及时性之间取得平衡的挑战。

结论

这项整合前基准研究表明，在妇科肿瘤学决策支持模型中，直接检索并整合权威 NCCN 指南的配置优于基础 AI 配置和仅依赖文献的 AI 配置。研究结果凸显了以指南为锚点在提高 AI 生成建议准确性和可靠性方面的关键操作优势。

未来研究应聚焦于在临床工作流程中验证这些系统，评估其对患者结局、安全性及临床医生接受度的影响，并进一步提升 AI 透明度、减少“幻觉”。

资助与 ClinicalTrials.gov

本文未说明与该研究相关的资助来源或注册临床试验。

参考文献

1. Dukes D, Yost C, Wang R, et al. Guideline-anchored retrieval-augmented generation outperforms baseline and literature-only configurations in gynecologic oncology decision support: A pre-integration benchmark. Gynecol Oncol. 2026 Jul 16;211:224-230. PMID: 42462288.

2. National Comprehensive Cancer Network. NCCN Clinical Practice Guidelines in Oncology. https://www.nccn.org/

3. Lee J, Yoon W, Kim S, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems. 2020;33:9459-9474.

4. Jha D, Topol EJ. Adapting AI for clinical decision support: opportunities and challenges. N Engl J Med. 2021;384(3):198-202.