撰文丨王聪
编辑丨王多鱼
排版丨水成文
2025 年 1 月 20 日，中国杭州的初创公司深度求索（DeepSeek）发布了一款大语言模型（LLM）——DeepSeek-R1，这是一个部分开源（训练数据未公开，因此并非完全开源）的“推理”模型，其能够以与OpenAI于 2024 年年底发布的最先进的专注于“推理”的大语言模型ChatGPT-o1相近的水平解决一些科学问题。
更重要的是，DeepSeek-R1 的训练成本远低于美国科技巨头们开发的主流大语言模型，DeepSeek-R1 的高性能与超低成本引起了全世界科学界的惊叹。
2025 年4 月 23 日，国际顶尖医学期刊Nature Medicine背靠背发表了两篇关于DeepSeek的论文。这两项研究分别评估了DeepSeek在医疗任务、临床推理和临床决策中的能力，并与ChatGPT-o1、Llama 3.1-405B、ChatGPT-4o和Gemini-2.0 Flash Thinking Experimental进行了比较。
DeepSeek 在医疗任务和临床推理方面的比较基准测试
DeepSeek是一款新推出的大语言模型（LLM），旨在提升推理能力，但其在医疗领域的表现尚未得到评估。
在这项研究中，西奈山伊坎医学院Xueyan Mei团队等评估了三款大型语言模型——DeepSeek-R1、ChatGPT-o1和Llama 3.1-405B在执行四项不同医疗任务方面的能力：回答美国医师执照考试（USMLE）中的问题、基于文本的诊断和管理案例进行解读和推理、根据 RECIST 1.1 标准对肿瘤进行分类，以及对多模态的诊断影像报告进行总结。
评估结果显示，在美国医师执照考试（USMLE）中，DeepSeek-R1（准确率=0.92）的表现略逊于 ChatGPT-o1（准确率=0.95），但优于 Llama 3.1-405B（准确率=0.83）。在基于文本的病例挑战中，DeepSeek-R1 的表现与 ChatGPT-o1 相当（分别使用《新英格兰医学杂志》和 Medicilline 数据库时，准确率分别为 0.57 vs 0.55 和 0.74 vs 0.76）。对于 RECIST 肿瘤分类，DeepSeek-R1 的表现也与 ChatGPT-o1 相似（0.73 vs 0.81）。
DeepSeek 提供的诊断推理步骤被认为比 ChatGPT 和 Llama 3.1-405B 提供的更准确（平均Likert评分分别为 3.61、3.22 和 3.13）。但 DeepSeek-R1 提供的总结影像报告的整体质量略低于 ChatGPT-o1 提供的报告（Likert评分 为4.5 vs 4.8）。
总的来说，这项研究突显了 DeepSeek-R1 大语言模型在医疗应用方面的潜力，并指出了一些需要改进的地方。
DeepSeek 在临床决策中的基准评价
大语言模型（LLM）正在不断改变医疗应用领域。然而，像ChatGPT-4o这样的专有模型在临床应用方面面临重大障碍，因为它们无法在医疗机构内部署，从而不符合严格的隐私法规。
近期，诸如DeepSeek之类的开源大语言模型取得的进展提供了一个很有前景的替代方案，因为它们能够在拥有先进信息技术基础设施的医院里，对本地数据进行高效的微调。
为了展示 DeepSeek-V3 和 DeepSeek-R1 的临床实用性，柏林夏里特大学医学院的Roland Eils团队在临床决策支持任务上对其性能进行了基准测试，测试对象还包括专有的大语言模型，例如ChatGPT-4o和Gemini-2.0 Flash Thinking Experimental。
通过涵盖常见和罕见疾病的 125 个具有充分统计效力的患者病例，研究团队发现，DeepSeek 的表现与专有的大型语言模型相当，在某些情况下甚至更优。
这项研究表明，开源的大言模型能够提供一条可扩展的途径，用于安全的模型训练，从而在符合数据隐私和医疗保健法规的前提下，实现现实世界中的医疗应用。
论文链接：
https://www.nature.com/articles/s41591-025-03726-3
https://www.nature.com/articles/s41591-025-03727-2
