提示语言影响大语言模型的诊断推理和准确性

大语言模型 (LLM) 越来越多地被探索用于临床决策支持，但大多数评估都是用英语进行的，其在其他语言中的可靠性不确定。在这里，我们通过比较五个 LLM（o3、DeepSeek-R1、GPT-4-Turbo、Llama-3.1-405B-Instruct 和 BioMistral-7B）的英语和法语表现，评估提示语言对诊断推理和最终诊断准确性的影响。两名医生使用 18 分制量表对涵盖 16 个医学专业的总共 180 个临床案例进行了评估，评估诊断准确性和推理质量。五个模型中有四个在英语方面表现较好（平均差 0.37-0.91，调整后 p < 0.05），差距跨越推理的多个方面，包括鉴别诊断、逻辑结构和内部效度。 o3 是唯一没有表现出整体语言效果的模型。这些发现表明，提示语言仍然是 LLM 临床表现的关键决定因素，对全球公平的语言文化部署具有影响。