中山大学中山眼科中心林浩添教授团队近期在医学人工智能领域取得重要突破，提出并验证了一种以大语言模型（LLMs）为核心驱动的新型医学AI研究范式。该研究通过严谨的随机对照试验，系统评估了LLM在辅助无AI背景临床医生开展医学AI研究中的实际效能。研究结果表明，借助LLM，从未接触过人工智能技术的医生也能独立完成医学AI研究项目，显著提升研究方案的可行性，并将研究周期大幅缩短。这一发现为临床医生跨越技术壁垒、参与前沿AI创新提供了切实可行的路径。 研究团队在试验中设计了多轮任务，涵盖研究问题定义、数据预处理、模型选择、算法实现与结果解释等关键环节，全面检验LLM在不同阶段的辅助能力。结果显示，LLM不仅能够快速生成高质量的技术方案与代码框架，还能有效识别潜在研究漏洞，提升研究设计的科学性。尤为值得关注的是，研究观察到明显的“技能迁移”效应——医生在使用LLM过程中逐步掌握AI研究的基本逻辑与方法，表现出持续的学习与适应能力。然而，研究也揭示了潜在的“依赖风险”：部分医生在过度依赖模型输出时，出现对技术细节理解不足、批判性思维弱化等问题，提示需建立科学的使用规范。 为应对上述挑战，团队基于试验中发现的共性问题，创新性地提出“CPGI”提示词构建指南，即“Context（背景）-Purpose（目标）-Guidance（指导）-Iteration（迭代）”四步结构化提示框架。该指南通过引导医生清晰表达研究需求、设定明确目标、提供有效指令并支持动态优化，显著提升了LLM输出的准确性与可操作性。CPGI框架为临床医生安全、高效、可控地使用大语言模型提供了可复制、可推广的操作范式。 该成果发表于国际权威期刊《Cell Reports Medicine》，标志着医学AI研究正从“专家主导”向“医生赋能”转型。业内专家指出，这一范式有望加速医学AI在真实世界临床场景中的落地应用，推动精准医疗与智能诊疗的发展。林浩添团队长期致力于眼科人工智能研究，其成果已广泛应用于眼底病、青光眼等重大疾病的智能诊断与预后预测。此次研究不仅拓展了LLM在医学研究中的应用边界，更为跨学科协作提供了新范本，预示着未来医学研究将更加开放、智能与高效。