基准测试大型语言模型与执业临床医生在精神病理学评估中的表现

精神病学对语言的依赖使得大型语言模型（LLM）成为精神病理学评估的自然工具，然而，来自精神病学临床访谈的结构化、逐项评估仍研究不足。在这项概念验证研究中，10个LLM对三次模拟精神病学访谈的转录文本进行了评估，覆盖了精神病学方法学与文献协会（AMDP）系统的全部100个项目，并以专家共识小组作为参考标准，与108名早期职业临床医生对完整音视频录制的评分进行了基准比较。GPT-5.1和Gemini-3-Pro-Preview在三次运行中采用多数投票并以AMDP定义作为上下文时，达到了最高准确率（0.72；处于临床医生分布的第64百分位）。GPT-5.1因其微弱优势被选中，其在各情境下的准确率分别为0.81（抑郁症）、0.76（躁狂症）和0.60（精神分裂症），而临床医生的平均准确率分别为0.79、0.68和0.58。临床医生和LLM表现出不同的错误模式：临床医生倾向于过度推断症状存在，而LLM则更保守地将项目标记为“不可评估”——这在依赖观察的项目中最为明显，但即使在文本可评估的项目中也存在（19.4% vs. 11.4%，p < 0.001）。在事后模拟的分歧解决中（2091对临床医生；35.5%的分歧），LLM和委员会认证的监督与无监督的随机临床医生选择相比，与更准确的解决结果相关（p < 0.0002）。这些概念验证发现需要在真实患者访谈、更大样本以及整合多模态输入的前瞻性研究中得到验证。