每所医院每年生成约50拍字节的数据，其中80%是非结构化的，并未被使用。慕尼黑工业大学（TU München）的PD Dr. Lisa Adams报告了这一点。大型语言模型（LLMs）正是从这里切入。基于Transformer的神经网络能够编码临床知识，结构化提取患者档案，并辅助治疗决策。
研究领域正在迅速发展。2025年8月的一项系统性综述已筛选了15,000篇关于LLM在肿瘤学中应用的文章。值得注意的是：83%的研究使用了通用语言模型，如ChatGPT或Claude，只有17%采用了肿瘤学专用模型。
Adams提到了基于RAG的方法，这些方法为LLM提供了最新的知识库。她认为，另一个进展在于代理式工作流，即多个语言模型协同完成不同任务。Jakob Nikolas Kather教授团队发表在《自然·癌症》（Nature Cancer）上的一项研究，将GPT-4在复杂癌症病例中的准确性显著提升。
德国的数据困境
科隆大学医院的PD Dr. Thomas Elter带来了现实检验：如果德国认为自己能够凭借大数据参与AI研究，那是一种错觉。数据基础极度碎片化，数据保护法规使大型研究项目几乎不可能实现。
Elter具体说明了这个问题：Kather发表的《自然》论文仅使用了20个测试病例。如果他的团队能够访问中国的基础设施，同样的模型本可以在80,000个真实病例上进行测试。结果：55%至60%的临床AI数据来自中国，四分之一来自美国。德国未能进入前十名。
“在整个德国，没有一家医院将所有患者数据放在一个平台上。一家都没有，”Elter说。他在科隆的医院每周必须举行38次肿瘤委员会会议。今年1月，由于SAP许可到期，所有报告不得不手动复制。“你无法想象那会损失多少信息。”
他的解决方案借鉴了历史上的成功模式：在20世纪80年代和90年代，德国成立了跨大学研究小组，使其成为领先者。Elter主张按照这一模式建立“德国AI肿瘤学组”，并当即提议由Kather教授担任负责人。
胰腺癌的AI预测
柏林夏里特医院（Charité）的实习学生François Schneider展示了近期发表在《欧洲癌症杂志》（European Journal of Cancer）上的临床应用研究成果。他的团队基于1,040名胰腺癌患者的数据训练了机器学习模型。这些模型的预测准确率达到了72%至79%。
AI计算了情景式的“假设”分析。对于接受过Folfirinox化疗的患者，模型显示43%的患者本可以从基于吉西他滨的治疗中获益。系统识别出的最重要变量是肿瘤标志物CA19-9、炎症标志物CRP以及肿瘤位置。目前计划进行一项前瞻性临床研究以验证。
聊天机器人比医生更富同理心
汉堡-埃彭多夫大学医院（UKE）的Dr. Martin Krusche探讨了患者视角。2025年初一项针对德国风湿病患者的全国性调查显示：四分之一的人已经使用AI系统处理健康问题，三分之二的人表示可以考虑获取数字第二诊疗意见。
Krusche用欧洲专家联盟提出的100个最相关的狼疮问题测试了ChatGPT-4。结果令人惊讶：语言模型在质量上显著优于医生，并且被认为更具同理心。
Krusche看到了在简化医疗报告方面的实际应用。UKE的一个试点项目自动生成患者友好版本。75%的患者认为这些版本更易理解，85%认为有用。每份报告的成本：三到五分钟。
然而，Krusche警告不要不加批判地使用。他展示了一个病例：一名60岁男性因遵循ChatGPT的饮食建议而患上溴中毒，这是一种因过量摄入溴化物作为食盐替代品而导致的罕见中毒。错误建议的责任归属问题仍未解决。
数字化增加了压力（双方都是）
德累斯顿工业大学的Dr. Magdalena Wekenborg提出了一个令人不安的事实：医疗领域的数字化增加了压力，而不是减轻了压力。在一项为期17个月的生物心理学纵向研究中，她考察了两所大学医院在引入数字实验室手册之前、期间和之后的情况。慢性压力水平上升，并持续了一年多。
Wekenborg使用可穿戴设备测量压力，并识别出人机交互中的关键时刻。她的论点：以往研究的问题在于系统是在实验室而非真实临床工作流程中评估的。
另一个发现：交互不是单向的。压力大的医生也会给LLM带来压力，并对输出质量产生可测量的影响。“如果我是一名医生，正在向我的决策支持系统提问，但自己却压力很大，那我就会给系统施加压力，从而降低我的输出质量，”Wekenborg解释道。
讨论：挖掘数据宝藏
随后的讨论围绕一个核心问题展开：为什么德国无法将其癌症登记数据和临床数据连接起来？一位来自德国癌症研究中心的参会者报告说，一个项目因各联邦州不同的数据保护规定而失败。
Kather教授补充说：他的团队经常使用英国生物银行（UK Biobank）的数据发表文章，但从未成功挖掘出德国类似的数据宝藏。在UK Biobank，只需支付10,000欧元，即可在三年内访问数十万患者数据。而在德国，向癌症登记处提交的申请却因数据最小化原则而受阻。
一位来自波恩妇女自助组织的代表提供了支持：“数据属于患者，而患者非常支持这项研究。”关于提示词能力的问题也被提出。Wekenborg的回答是：不仅需要提示词培训，更需要输出监督。
与会者在一件事上达成共识：AI不会取代临床经验，而是扩展它。会议表明：技术已经成熟。RAG系统、代理式工作流和决策支持工具运行效果惊人。然而，德国正在与自身造成的问题作斗争。建立“德国AI肿瘤学组”的提议听起来像是一个呼吁，要求忘记竞争，集中资源。
来源：
- Mehan N, Desinghe TD, Saha A: Development and evaluation of large-language models (LLMs) for oncology: A scoping review; PLOS Digital Health 2025.
- Ferber D, El Nahhas OSM, Wölflein G et al.: Development and validation of an autonomous artificial intelligence agent for clinical decision-making in oncology; Nature Cancer 2025.
- Schneider F, Chen H, Pelzer U et al.: The basis for future personalized therapy approaches – Machine learning-generated 1-year survival rate, metastatic status and therapy-dependent survival in pancreatic cancer patients; European Journal of Cancer 2025.
- Labinsky H, Klemm P, Graalmann L et al.: Patient experiences, attitudes, and profiles regarding artificial intelligence in rheumatology: a German national cross-sectional survey study; Rheumatology International 2025.
- Haase I, Xiong T, Rissmann A, Knitza J, Greenfiled J, Krische M: ChatSLE: consulting ChatGPT-4 for 100 frequently asked lupus questions; Lancet Rheumatology 2024.
- Eichenberger A, Thielke S, Van Buskirk A: A Case of Bromism Influenced by Use of Artificial Intelligence; Annals of Clinical Medicine: Clinical Cases 2025.
- Wekenborg MK, Harzbecker J, Bechmann N, Sbiera S, Gilbert S, Schwerdtfeger AR: Effects of digital transformation on stress-relevant working conditions and employees’ psychophysiological stress: A longitudinal, quasi-experimental control group study; Computers in Human Behavior Reports 2025.
23.03.2026
【全文结束】