GPT-OSS放射报告
3 节点1 篇3 来源
OpenAI发布的开源模型gpt-oss-120B被证明能无监督处理百万级放射档案，但在多区域报告的结构化上存在显著短板。最新研究显示，该模型在单中心测试中实现了96.5%的归档报告结构化输出，语义相似度高达0.95-0.97，但多区域报告的模板选择准确率仅为54.1%，远低于单区域的87.7%。与此同时，另一项针对放射协议选择的研究指出，虽然gpt-oss等开源模型受结构化输出约束影响较小，但其整体准确性仍低于GPT-5-Thinking和Gemini 2.5 Pro等专有模型。争议在于：开源模型能否通过本地部署满足医院对数据隐私和高吞吐量的需求，还是必须依赖专有模型的更高精度？目前尚无定论，需观察后续针对多区域错误的优化方案及更大规模的临床验证。
事情怎么走到这一步
OpenAI发布gpt-oss-120b和gpt-oss-20b两款开放权重模型，支持结构化输出和本地部署。
openai.com ↗《European Radiology Experimental》发表研究，对比GPT-5-Thinking、Gemini 2.5 Pro与gpt-oss等模型在放射协议选择中的表现，发现专有模型准确率更高，且结构化约束对不同模型影响各异。
link.springer.com ↗arXiv预印本论文显示，gpt-oss-120B管道成功将218万份自由文本放射报告转化为结构化报告，每小时处理1258份，但多区域报告错误率较高。
arxiv.org ↗
还没定论的部分
- 如何解决gpt-oss在多区域放射报告模板选择上的高错误率（54.1%）问题？
- 在需要极高准确率的临床决策支持场景中，开源模型是否能在不牺牲隐私的前提下达到专有模型的性能水平？
- 结构化输出约束在不同类型的LLM（开源vs专有）中产生相反效果的根本原因是什么？