罕见神经内分泌肿瘤该用什么药？ARTEMIS 对比基础GPT、定制GPT与检索增强RAG三种配置，检索增强与定制GPT以70%专家一致率通过非劣效初探

一、研究背景

神经内分泌肿瘤（Neuroendocrine Neoplasms，NENs）是一类「少而杂」的恶性肿瘤：发病率不高，却异质性极强——按分化程度、增殖指数 Ki-67、原发部位、受体表达和转移模式的不同，治疗方案可以天差地别。美国 SEER 数据库显示，其发病率从 1975 年的每 10 万人 1.64 例，飙升到 2021 年的 8.52 例，5 倍增长，正成为一种「不那么罕见」的疾病。

正因为复杂，NENs 的治疗高度依赖多学科会诊（MDT）：欧洲 ENETS、ESMO、北美 NANETS 等指南都明确要求综合评估，治疗手段横跨生长抑素类似物、靶向药物、肽受体放射性核素治疗（PRRT）直到细胞毒化疗。一套方案对不对，往往连专家之间都各有主张——这也意味着，「治疗决策」是 AI 最难替代、也最值得被严格检验的环节。

然而现实是：AI 在 NENs 领域的研究，几乎全部集中在「诊断端」——PET/CT 肿瘤负荷分割、影像组学分级预测、数字 Ki-67 评分、内镜超声分级、数字病理亚型分型。而「治疗决策支持」几乎一片空白，更没有人用预设的非劣效边界，把 AI 开出的方案和专家共识放到同一把尺子下比过。

二、研究创新点

ARTEMIS 研究的价值，正在于补上了这块空白，而且做得相当规范。它的设计有三个鲜明之处：

第一，用「非劣效」而非「谁分高」来评判。 过去很多 AI 医疗研究只报「AI 答对了多少」，却不回答一个更关键的问题：AI 的方案，够不够格「不比专家差」？ARTEMIS 预设了两条边界——探索性的 -10% 和更严格的 -5%，只要 AI 与专家基准的一致率跌幅不超过边界，就算「非劣效」。这是一套远比「刷准确率」更诚实的临床评价框架。

第二，同时测三种配置，看清「知识注入」到底值不值。 研究对比了基础 GPT、灌入静态领域知识的定制 GPT（GPTs），以及检索增强生成（RAG）三种方案，直接回答了行业里一个长期争论：到底是「多喂资料」有用，还是「装个检索器」更划算。

第三，把「不确定性表达」和「资源节制」当成硬指标。 除了方案对不对，研究还量化了 AI 会不会主动说「我不确定」、会不会少开不必要的检查、会花多少钱——这些恰恰是临床落地时决定生死、却最常被论文忽略的维度。

三、技术原理

ARTEMIS 是一场「人机会诊」式的横断面试点。研究团队先构造了 20 例经过多学科验证、非手术的神经内分泌肿瘤模拟病例，覆盖不同分级、分期和治疗线数；再以九位意大利 NEN 专家给出的「集体决策」作为黄金参照。

对照的三条 AI 路线，代表了当下临床大模型的主流用法：

基础 GPT：裸模型直接出方案，什么都不加。

定制 GPT（GPTs）：给模型预置 NEN 领域的静态知识，相当于「把教科书和指南背给它」。

检索增强 RAG：在出方案前，先从构建好的语料库里检索相关证据再生成，相当于「现场翻书、引经据典」。

评估围绕一个主要终点展开——系统治疗方案的「非劣效性」，并辅以方案完整性、不确定性表达、附加检查的节制性、成本与变异度等多个次要终点。所有 AI 系统统一用固定提示模板和配置跑，保证可复现。

四、实验结果

结果可以用一句话概括：AI 逼近了专家，但还没跨过严格的门槛 DOI: 10.1038/s41746-025-02274-x。

在主终点上，专家小组内部的平均一致率是 63.8%——这本身就说明 NEN 治疗决策有多难，连专家自己都分歧不小。以此为基准：

• 基础 GPT：60.0% 一致率，未达到非劣效；
• 定制 GPT（GPTs）与检索增强 RAG：均为 70.0% 一致率，通过了 -10% 的探索性非劣效边界，但没有通过更严格的 -5% 边界。

也就是说，经过知识注入或检索增强之后，AI 确实「够得着」专家水平的下限，但距离「与专家等效」还差一口气。

次要终点则呈现出一些耐人寻味的细节：所有 AI 系统都能产出结构完整的方案（完整性 3/3），且比专家更频繁地主动表达不确定性——定制 GPT 的内部一致性甚至达到完美的 AC1 = 1.000。在资源节制上，RAG 与专家基准的一致性最高（AC1 = 0.946），倾向于少开附加检查、费用也更低。

最值得注意的，是「谁在分歧」这个反直觉的发现：专家之间的变异度反而比 AI 更大。 亚组分析进一步锁定分歧来源——Ki-67 增殖指数越高，一致率越低（r = -0.573，p = 0.010），说明肿瘤越「凶」，越难达成共识；而肺来源的 NENs 在多个模型里都预测了分歧（RAG 中 OR 高达 19.50，p = 0.032）。

五、应用前景

ARTEMIS 给出的，不是「AI 能取代专家」的胜利宣言，而是一张清晰的「能力与差距地图」，对临床落地有直接指导意义。

一方面，RAG 与定制 GPT 的 70% 一致率，已经足以支撑它们作为「第二意见」和「会诊前的预演」。在专家资源稀缺、基层医院难得 MDT 的现实中，一个能把方案完整列出、主动标注不确定性、还倾向于少花钱少开检查的 AI，完全可以帮年轻医生先整理思路、补齐遗漏，再交给人类把关。

另一方面，研究也划出了红线：肺来源、高 Ki-67 这类「高不确定性」病例，恰恰是 AI 最容易与专家跑偏的地方——而这些正是临床上最需要谨慎的复杂情况。这提示我们，AI 辅助治疗决策的落地，绝不能「一刀切」，而应当按肿瘤生物学特征设置分级的使用边界。

更重要的是，这项研究把「非劣效 + 不确定性 + 资源节制」这套评价范式立了起来。当越来越多医院想上「AI 会诊」时，也许应该先问一句：它的方案，过的是哪条线？它敢不敢承认自己不确定？

六、结论

罕见肿瘤的治疗决策，是医学里「正确与稳妥」最难两全的高地。ARTEMIS 用一场规范的人机对照给出了诚实的答案：检索增强与定制化的 AI，已经能把方案做到与专家 70% 一致、通过探索性非劣效线，但距离更严格的等效门槛仍有距离；它在表达不确定性和节制资源上甚至比专家更自觉，却也最容易在肺来源、高增殖指数的复杂病例上走偏 DOI: 10.1038/s41746-025-02274-x。

这提醒我们：医疗 AI 智能体进临床的下一程，拼的不是「谁的方案更漂亮」，而是「谁更清楚自己何时该闭嘴、该把决定权交还给人类」。在这一点上，ARTEMIS 比任何一张宣称「AI 超越专家」的宣传图，都更接近真实的临床。

论文原文信息地址：https://www.simoagent.com/blog/2026-09-11-artemis-llm-therapeutic-decision-nen/

参考文献

1. Lamberti G, Panzuto F, Massironi S, Cives M, La Salvia A, Spada F, et al. ARTEMIS: a pilot study comparing AI-based and expert therapeutic decisions in simulated clinical cases of neuroendocrine neoplasms. npj Digital Medicine, 2026. DOI: 10.1038/s41746-025-02274-x
2. Dasari A, et al. Epidemiology of neuroendocrine neoplasms in the US. JAMA Network Open, 2025. DOI: 10.1001/jamanetworkopen.2025.15798