全部论文（27 篇）
HR3/RORα-mediated cholesterol sensing regulates TOR signaling.
2026-07-18 ·
领域：细胞信号转导、胆固醇感知、TOR信号通路、核受体生物学
方法：果蝇遗传学、人类细胞系实验、胆固醇结合与TOR激活的生化分析、非基因组与基因组调控机制探究
核心发现：核受体HR3（哺乳动物RORα同源物）作为胆固醇传感器，通过
Clinical AI in Radiology: Foundations, Trends, Applications, and Emerging Directions.
2026-07-18 ·
领域：临床放射学人工智能
方法：综述当前趋势与代表性应用，包括大型语言模型（LLMs）本地部署、多模态AI框架、联邦学习（FL）基础设施、以及不确定性感知的去标识化流程。
核心发现：AI可增强诊断、优化工作流并提升运营效率，但隐私、临床可用性和兼容性仍是主要挑战；文中示例展示了LLM报告重构、胰腺癌恶病质早期检测、隐私保护协作训练以及PHI安全移除等进展。
相关度：高，直接涉及肿瘤委员会决策支持、临床试验匹配、报告质量保证及成像复杂性指数等新兴方向，为落地实践提供可参考框架。
一句话：该综述梳理了放射学临床AI的基础与趋势，并通过四个具体应用案例（LLM报告生成、多模态癌症筛查、联邦学习、去标识化流程）展示了其转化潜力与现存挑战。
Foundation models for ophthalmic imaging.
2026-07-18 ·
领域：眼科影像基础模型
方法：系统分析2022–2025年7月间12个眼科基础模型，评估模态集成、预训练目标、监督策略及新兴技术（如模态无关编码器、数据增强）。
核心发现：模型从单模态、生成式预训练向临床文本引导的模态无关架构转变，性能与泛化性显著提升；多模态与视觉语言融合是主流趋势。
相关度：明确揭示了眼科AI基础模型的演进路径与设计范式，为开发、选择及验证新模型提供方法论指导。
一句话：该综述系统梳理了2022–2025年眼科基础模型的从单模态到临床文本引导的模态无关化演变，并指出多模态集成、高维输入与标准化基准是未来关键方向。
Large Language Model-Based Virtual Patient Systems for History-Taking in Medical Education: Comprehensive Systematic Review.
2026-07-18 ·
领域：医学教育中的病史采集虚拟病人系统
方法：系统性综述，评估基于大语言模型（如GPT-3.5、GPT-4）的虚拟病人系统性能
核心发现：LLM系统可作为标准化病人的可扩展、低成本替代方案，但针对多病共存场景的系统评价仍有限
相关度：高，揭示了LLM在模拟复杂临床病史采集中需突破的缺口
一句话：本综述系统评估了LLM虚拟病人在医学教育中的应用潜力，并指出多病共存场景的性能验证是当前关键不足。
Artificial intelligence in nuclear medicine.
2026-07-18 ·
领域：核医学与人工智能交叉
方法：综述基于深度学习（DL）、卷积神经网络（CNN）及硬件（GPU）驱动的AI技术在核医学成像全流程（采集、重建、解释、治疗规划）中的应用。
核心发现：AI可加速图像采集、提升质量、辅助诊断及治疗计划，但临床转化率极低（仅2%超越原型阶段），商业化成熟度不足，多数应用仍处于开发中。
相关度：高——明确了AI在核医学中的关键潜力与当前瓶颈，为算法优化、临床验证及产业化策略提供了方向性参考。
一句话：本文系统评述了AI在核医学成像与治疗中的前沿应用，指出其变革性潜力与商业化落地的巨大差距。
Reliability of Large Language Model Generated Clinical Reasoning in Assisted Reproductive Technology: Blinded Comparative Evaluation Study.
2026-07-18 ·
领域：辅助生殖技术中的临床推理
方法：盲法比较评估研究，通过专家评估大型语言模型生成的临床思维链（CoTs）与标准临床推理的一致性。
核心发现：大型语言模型能够生成结构化的临床推理，但其可靠性在辅助生殖技术领域存在显著局限性，需要进一步验证。
相关度：高，直接评估了LLM在可解释医学AI中的可靠性，揭示了数据稀缺和模型输出准确性的关键挑战。
一句话：该研究通过盲法比较评估，发现LLM生成的临床推理在辅助生殖技术中虽具潜力但可靠性不足，需谨慎应用于临床决策。
Limitations of large language model-generated multiple-choice questions in ophthalmology.
2026-07-18 ·
相关度：需查看标题判断
摘要：无
Input structure-driven instability and convergence in large language model clinical reasoning: a formative study using pediatric residency-level MCQs.
2026-07-18 ·
领域：医学AI临床推理的稳定性与可重复性研究
方法：基于标准化提示生成77道经儿科医生验证的USMLE Step 2/3级选择题，评估6种LLM（ChatGPT、DeepSeek AI等）在两种输入结构（全量同时呈现 vs. 分批顺序递送）下的准确率与模型间变异性。
核心发现：输入结构的变化（同时 vs. 分批）会导致LLM临床推理性能出现显著不稳定性和模型间差异，提示当前LLM在医学决策中的输出缺乏可重复性。
相关度：高——直接挑战LLM在临床教育和辅助决策中安全部署的前提条件，强调需将结构稳定性纳入评估框架。
一句话：输入结构的微小改变即可引发LLM临床推理的显著不稳定性和模型间分歧，提示现有模型尚不具备可靠的临床推理可重复性。
PSAT1 inhibits mTORC1 activation by preventing Rag heterodimer formation in lung adenocarcinoma.
2026-07-18 ·
领域：肿瘤代谢与信号转导；mTORC1通路调控；自噬与细胞增殖
方法：肺腺癌细胞系中过表达或敲除PSAT1，通过共免疫沉淀、Western blot、免疫荧光定位及细胞增殖实验分析机制
核心发现：PSAT1优先结合GTP-RagB，阻止Rag异二聚体形成，抑制mTORC1溶酶体定位和激活，增强基础自噬促进增殖；同时敲除后激活mTORC1并补偿
Lysosomal phosphoinositide turnover acts upstream of RagGTPase-mTORC1 and controls muscle growth.
2026-07-18 ·
本期未做逐篇深度分析，当前为 PubMed 元数据；可后台补跑 DeepSeek 逐篇分析后自动补全。
Using large language model to aid in teaching medical imaging report writing.
2026-07-18 ·
领域：医学教育 / 医学影像报告写作
方法：比较多种免费大型语言模型（LLMs），评估其反馈质量，并通过学生影像报告准确性与标准化的前后对比，检验LLM反馈的教学效果。
核心发现：LLM生成的反馈能够显著提升学生影像报告的准确性和标准化水平，不同模型之间的反馈效果存在差异，其中某特定模型表现最优（具体
Current concerns and future directions of large language model ChatGPT in medicine: a machine-learning-driven global-scale bibliometric analysis.
2026-07-18 ·
领域：医学人工智能与大型语言模型应用
方法：基于机器学习的全球规模文献计量分析
核心发现：ChatGPT在医疗领域展现出巨大变革潜力，但当前仍存在诸多局限与挑战，未来研究方向及政策关注点需进一步明确。
相关度：高，系统梳理了全球研究热点与争议，为后续技术与政策制定提供量化依据。
一句话：本研究通过文献计量方法揭示了ChatGPT在医学中的当前争议与未来方向，强调其潜力与挑战并存。
A context-augmented large language model for accurate precision oncology medicine recommendations.
领域：精准肿瘤学、医学人工智能、大型语言模型（LLM）、检索增强生成（RAG）
方法：开发了一种基于检索增强生成（RAG）的LLM工作流，利用Molecular Oncology Almanac（MOAlmanac）作为外部知识库，与仅使用LLM的方法进行对比。在合成查询和来自执业肿瘤学家的真实世界查询上评估性能，并探索了多种提示工程和检索策略以优化推荐准确性。
核心发现：RAG-LLM在合成查询中达到95%准确率，在真实世界查询中达到93%准确率，显著优于仅依赖通用知识的LLM方法。该框架能够动态整合最新的FDA批准信息和分子标志物-治疗关系，有效弥补了LLM知识滞后问题，为精准肿瘤学临床决策提供了可靠支持。
相关度：高。该研究直接解决了LLM在临床应用中的知识更新瓶颈，提供了可部署的上下文增强框架，对推动AI辅助肿瘤治疗决策具有重要参考价值。
一句话：本研究通过检索增强生成（RAG）框架将MOAlmanac知识库与LLM结合，在真实世界肿瘤学查询中达到93%准确率，显著优于纯LLM方法，为精准肿瘤学治疗推荐提供了准确、动态更新的AI解决方案。
Artificial intelligence in nuclear medicine.
领域：核医学中的人工智能应用
方法：综述性分析，涵盖深度学习、卷积神经网络、图像采集与重建、后处理、图像分析及临床决策支持等技术路径。
核心发现：AI在核医学中具有加速图像采集、提升图像质量、辅助图像生成与解读、优化治疗规划的潜力；临床示例覆盖肿瘤学、神经学和放射性核素治疗。但当前仅约2%的临床AI应用超越原型阶段，极少数达到商业成熟度；大部分AI应用仍集中于成像流程的各个阶段。
相关度：高——文章点明了AI从开发到临床转化的挑战与机遇，尤其关注核医学中AI应用的实际落地瓶颈及未来发展机会。
一句话：人工智能在核医学影像与治疗中潜力巨大，但绝大多数应用仍处于原型阶段，向临床转化的进程极为缓慢。
Clinical AI in Radiology: Foundations, Trends, Applications, and Emerging Directions.
领域：放射学（医学影像）中的临床人工智能
方法：该论文是一篇综合性综述，通过文献回顾和案例分析，总结了临床AI在放射学中的基础理论、当前趋势、代表性应用及未来方向。重点描述了四项具体应用：本地化部署大语言模型（LLMs）对放射报告进行结构化重构；结合CT影像、临床数据、实验室生物标志物和LLM提取特征的多模态AI框架用于胰腺癌恶病质早期检测；基于联邦学习的隐私保护协作模型开发；以及用于去除受保护健康信息（PHI）的不确定性感知去标识化流程。
核心发现：1. 本地部署LLMs可离线优化放射报告质量，提高清晰度和一致性。
2. 多模态AI整合多种数据类型可有效提升恶病质等复杂病症的早期检测能力。
3. 联邦学习框架在不出原始数据的前提下实现多机构协同训练，保障隐私安全。
4. 自动化去标识化管道支持安全的数据分析和共享。此外，论文还讨论了肿瘤委员会决策支持、临床试验匹配、报告质量保障和影像复杂度指数等新兴方向，强调本地部署、多模态推理、隐私保护和人工监督的重要性。
相关度：高 — 该综述系统梳理了放射学AI从基础到前沿的完整图景，尤其聚焦于临床落地时的隐私、兼容性和人机协作等关键挑战，对从事医学影像AI研发和转化的研究者具有重要参考价值。
一句话：本文综述了放射学临床AI的基础与趋势，重点介绍了本地化LLM、多模态恶病质检测、联邦学习和去标识化等代表性应用及新兴方向，突出隐私保护与人工监督在临床转化中的核心作用。
PSAT1 inhibits mTORC1 activation by preventing Rag heterodimer formation in lung adenocarcinoma.
领域：肺癌代谢与信号转导
方法：细胞增殖实验、基因敲除/过表达、免疫共沉淀、免疫荧光、自噬检测、Western blot
核心发现：PSAT1通过优先结合GTP-loaded RagB，阻止Rag异二聚体形成，抑制mTORC1的溶酶体定位和激活，增强基础自噬水平，从而促进肺腺癌细胞增殖；PSAT1敲除则恢复Rag异二聚体和mTORC1活性，但代偿性上调丝氨酸转运体SLC1A5以维持增殖。
相关度：中等（该研究揭示代谢酶PSAT1的非经典功能，可为靶向mTORC1和氨基酸代谢的肺癌治疗策略提供新机制，但未涉及AI或计算模型）
一句话：PSAT1通过阻断Rag异二聚体形成抑制mTORC1激活，并依赖基础自噬促进肺腺癌细胞增殖，同时其缺失会触发SLC1A5代偿性上调。
HR3/RORα-mediated cholesterol sensing regulates TOR signaling.
领域：细胞信号转导、代谢调控、胆固醇感知与生长控制
方法：采用果蝇（Drosophila）组织模型和人类细胞系，通过遗传学、生物化学及细胞生物学手段（包括核受体HR3/RORα的胆固醇结合实验、TOR通路活性检测、Rag GTPase上游调控分析、非基因组与基因组调控区分）研究胆固醇对TOR信号的调控机制。
核心发现：胆固醇迅速激活果蝇组织中的TOR信号通路；核受体HR3（哺乳动物RORα同源物）是此过程的关键因子，能直接结合胆固醇并通过非基因组机制作用于Rag GTPase上游实现快速激活，同时通过基因组调控限制长期响应；在人类细胞中，RORα同样介导胆固醇驱动的TOR激活，表明HR3/RORα介导的胆固醇感知机制在进化上保守，将胆固醇可用性与TOR通路活性偶联，进而调控细胞生长。
相关度：高度相关。该研究揭示了胆固醇感知与TOR信号这一核心生长调控通路之间的直接分子联系，为理解胆固醇相关疾病（如代谢综合征、动脉粥样硬化）及癌症中异常生长信号的机制提供了新靶点，对基于AI的药物发现和代谢网络建模具有潜在应用价值。
一句话：本研究揭示了HR3/RORα作为胆固醇感受器，通过非基因组机制迅速激活TOR信号通路，将胆固醇水平与细胞生长调控相偶联，为胆固醇相关疾病和癌症研究提供新视角。
Using large language model to aid in teaching medical imaging report writing.
领域：医学教育、医学影像报告写作、大语言模型（LLM）应用
方法：随机对照试验：测试组（N=30）在LLM生成反馈前后各写一份影像报告；对照组（N=30）写同一病例报告但无LLM反馈。比较4种免费LLM（ChatGPT 3.5、文心一言v3.5、通义千问v2.5、Claude 3 OPUS）的反馈质量，采用住院医师培训考试评分量表评估报告质量，并用问卷调研学生对LLM反馈的满意度。
核心发现：ChatGPT 3.5、文心一言v3.5、通义千问v2.5的反馈在结构与逻辑上优于Claude 3 OPUS（Mann-Whitney U检验，p<0.05），但所有模型均存在一定程度的幻觉。测试组在接受LLM反馈后报告得分提高，且高于对照组（t检验，p<0.05）。
相关度：中等——研究直接评估了免费LLM在医学影像报告教学中的辅助效果，提示LLM可提升学生报告准确性与规范性，但需教师监督以避免幻觉误导。
一句话：大语言模型生成的反馈能有效提升医学生影像报告写作的准确性与规范性，但存在幻觉问题，需教师监督。
Designing Trustworthy Clinical AI.
领域：临床人工智能（AI）评估与治理
方法：专家对话/观点交流（基于JAMA+ AI Conversations访谈，讨论一个专门评估临床AI的研究网络）
核心发现：本文并非原创研究，而是通过访谈形式介绍了一个旨在系统评价临床AI可信度的研究网络的理念与初步构想，强调需建立跨机构合作以保障AI在临床实践中的安全性和有效性。
相关度：中等——文章本身未提供具体方法或数据，但提出了值得关注的研究网络架构设想，可作为临床AI评估组织模式的参考。
一句话：本文通过专家对话形式概述了一个用于评估临床AI可信度的研究网络，但未提供具体研究结果。
General-purpose large language models outperform specialized clinical AI tools on medical benchmarks.
领域：医学人工智能，通用大语言模型与专用临床AI工具的性能比较
方法：定量评估两种专用临床AI工具（OpenEvidence和UpToDate Expert AI）与通用大语言模型在多个医学基准上的表现，比较其准确性、可靠性等指标。
核心发现：通用大语言模型在所有测试的医学基准上均优于专用临床AI工具，表明通用模型在医学任务中具有更强能力。
相关度：高。该研究直接挑战了“专用工具优于通用模型”的常见假设，为临床AI工具的选择、开发和部署提供了重要实证依据。
一句话：通用大语言模型在医学基准测试中全面超越专用临床AI工具。
Large Language Model Performance and Clinical Reasoning Tasks.
领域：医学人工智能、临床推理、大语言模型（LLM）评估
方法：横断面研究，选取21个前沿大语言模型（包括Grok 4及其他推理优化模型），在29个标准化临床场景（来自MSD手册的临床病例）上测试其表现，评估模型在临床诊断推理任务中的可靠性。
核心发现：即使是表现最好的模型（如Grok 4）也未能完全可靠地完成临床推理任务，LLM在临床诊断推理中仍存在显著局限性，难以直接应用于真实临床工作流程。
相关度：高。该研究系统评估了当前主流LLM在标准化临床场景下的推理能力，揭示了模型在临床实用性方面的差距，为医学AI研究者提供了重要的基准和警示。
一句话：当前前沿大语言模型在标准化临床场景中的诊断推理表现仍不可靠，存在明显局限性。
Construction and Application of Traditional Chinese Medicine Knowledge Graph Based on Large Language Model.
领域：中医知识图谱构建、大语言模型在医学中的应用
方法：提出基于大语言模型（LLM）的中医知识结构化方法，在阿里云DSW平台微调ChatGLM3-6B模型（FT-ChatGLM3），优化中文语义理解与中医知识提取；同时开发基于BERT的中医实体识别模型（TCMER），并利用FT-ChatGLM3输出构建知识图谱。
核心发现：FT-ChatGLM3在中医诊断和治疗建议任务中表现优异，TCMER模型高效实现了中医知识的系统化与结构化，两者结合显著提升了中医知识图谱的构建效率、知识检索一致性及智能问答系统的准确性和效率。
相关度：高，该研究展示了LLM与实体识别模型联合应用于中医知识图谱构建的可行路径，为中医现代化和智能辅助诊疗提供了可复用的技术框架，对医学AI在传统医学知识工程与临床决策支持领域具有参考价值。
一句话：本研究通过微调ChatGLM3和BERT实体识别模型，构建了高性能的中医知识图谱与智能问答系统，有效推动了中医知识的结构化与现代化应用。
Optimizing Retrieval-Augmented Generation (RAG) in clinical medicine: methods and performance evaluation.
领域：临床医学（睡眠医学）、人工智能（检索增强生成）
方法：采用四种开源大语言模型（Llama-3-8B、Llama-3-70B、Qwen 2.5-14B、Qwen 2.5-235B），基于五本睡眠医学教科书构建知识库，从三个维度比较性能：语料结构（原始文本 vs 目录对齐）、检索策略（稠密嵌入 vs 混合稀疏-稠密）、管道复杂度（基线 vs 增强）。评估指标包括多选题准确率和临床案例诊断排名。
核心发现：RAG提升了所有模型的多选题准确率，其中Llama-8B提升最大（10.6%，从61.8%至72.4%），Qwen-235B达87.3%。在临床案例中，Llama-8B使用原始文本和稠密检索时准确率下降7.1%，但结构化混合配置可纠正；混合检索始终优于纯稠密检索。结构化语料平均提高主要诊断准确率6.1%，Qwen-235B峰值达10.2%。
相关度：高——直接指导RAG在临床场景中的系统设计，强调数据整理与检索策略对模型性能的关键影响，对开发安全、合规的医疗AI具有实践价值。
一句话：在睡眠医学中，优化的RAG系统通过结构化语料库和混合检索显著提升LLM的临床问题解决能力，且模型大小与数据质量需权衡。
Foundation models for ophthalmic imaging.
领域：眼科影像学人工智能，基础模型（foundation models）
方法：系统分析2022年至2025年7月间开发的12种眼科基础模型，从模态集成（单模态、多模态到视觉-语言）、预训练目标（生成式与对比式）、监督策略（图像引导与文本引导）三个维度进行演化分析，并考察了新兴技术（如模态无关编码器、合成数据增强、高效计算架构）。
核心发现：眼科基础模型从领域特异性的单模态方法，明显转向由临床文本引导的模态无关基础模型；新兴技术提升了模型性能与泛化能力；未来方向包括更广泛的模态集成、更高维输入（空间和时间）、多样化的预训练以及标准化基准数据集。
相关度：高——文章系统梳理了眼科AI基础模型的技术演进与关键趋势，为研究者提供了模型设计、选择与应用的概念和技术基础。
一句话：眼科基础模型正从单模态、领域特异性的方法演变为由临床文本引导的模态无关基础模型，且通过合成数据与高效架构等技术提升了性能与泛化能力。
📄 论文动态
本期论文以AI/LLM在医疗场景的应用为主（9篇），涵盖ICU死亡率预测、内镜诊断、超声报告生成、病历术语识别、谵妄筛查等，同时涉及心力衰竭药物（AC01）、RAAS系统靶向、白血病药物敏感性及免疫分析技术等基础与临床转化研究。
### 🏭 行业动态
行业动态聚焦FDA对AI医疗设备的监管新规，包括简化审批流程、风险-获益报告要求及AHA反馈意见；同时多份市场报告显示AI医疗市场高速增长（CAGR约37%-38%），预计2035年规模超700亿美元。
### 📊 高频期刊 TOP10
| 期刊 | IF | 篇数 |
|:---|---:|---:|
| J Med Internet Res | 5.8 | 4 |
| NPJ Digit Med | 12.4 | 2 |
| J Ethnopharmacol | 4.8 | 2 |
| JMIR Med Inform | 3.1 | 2 |
| Comput Biol Med | 6.5 | 1 |
| Value Health | 4.0 | 1 |
| Lancet | 98.4 | 1 |
| Biotechnol Adv | 12.1 | 1 |
| Circ Res | 20.1 | 1 |
| Clin Cancer Res | 10.0 | 1 |
## 二、研究主题聚类
### LLM与AI在临床辅助决策与影像中的应用（9篇）
领域：医学影像分析、多模态大语言模型、消化内镜诊断与报告生成
方法：提出MLLM-EDR，一种基于医学知识增强的多模态大语言模型，用于食管胃十二指肠镜（EGD）的自动诊断和报告生成；采用LoRA微调与图像-文本交互注意力模块实现视觉与文本特征融合，并利用医学知识引导提升诊断准确性。
核心发现：MLLM-EDR生成报告平均耗时13.48秒，远短于高年资（约73-97秒）和低年资（约114-325秒）内镜医师；报告完整性与高年资医师相当（8.81 vs 8.66-9.25），事实性优于部分低年资医师；在AI辅助下，所有内镜医师的报告完整性和事实性均显著提升，生成时间大幅缩短。
一句话：多模态医学大模型MLLM-EDR可自动生成高质量EGD诊断报告，显著提速并辅助内镜医师改善报告质量。
Enhancing Large Language Models for Identifying and Prioritizing Important Medical Jargons From Electronic Health Record Notes Using Data Augmentation: Comparative Study.
领域：医学人工智能；电子健康记录（EHR）笔记；医学行话识别与优先级排序；大语言模型（LLM）应用
方法：基于90份专家标注的EHR笔记数据集，评估闭源与开源大语言模型（LLM）在提取和排序患者相关医学行话中的表现。实验设置包括：通用与结构化提示、零样本与少样本提示、微调、以及使用GPT-4o进行数据增强。采用增量式增强数据集（从10到9995条）进行微调，并通过10折交叉验证评估；使用F1分数和平均倒数排名（MRR）作为指标，结合宽松字符串匹配和Jaccard指数两种匹配算法；同时进行错误分类分析。
核心发现：在Jaccard指数匹配下，开源模型经金标准数据集微调后表现最佳：DeepSeek 8B取得最高F1分数（0.431，SD 0.046），BioMistral 7B取得最高MRR（0.577，SD 0.109）。但在宽松字符串匹配下，开源模型即使使用数据增强或微调，仍无法超越闭源模型。其他发现包括：少样本提示相对零样本无优势；提示风格显著影响性能；小规模金标准微调可提升效果；数据增强可达到甚至超过微调效果，但高度依赖增强数据质量。
一句话：该研究通过数据增强和微调提升了开源LLM识别并排序EHR笔记中重要医学行话的能力，但性能在宽松匹配下仍逊于闭源模型。
Development and Clinical Evaluation of a Large Language Model-Based System for Generating Patient-Friendly Echocardiography Reports: Two-Stage Retrospective Validation and Prospective Survey Study.
领域：心血管影像学 / 医学人工智能 / 大语言模型临床应用
方法：两项研究。回顾性开发阶段纳入60例患者，以临床诊断、住院记录及系列超声心动图数据为输入，使用DeepSeek-V3.2生成患者友好型报告，采用4模块结构；由2名临床医生和外部LLM（Kimi 2.5）从数据准确性、信息完整性、解释适当性和建议合理性4个领域独立评价。前瞻性临床评估阶段纳入100例接受超声心动图检查的患者及85名家属，参与者同时接收传统报告和LLM生成的患者友好型报告；采用5点Likert量表评估理解帮助性、关注问题解决效果、疾病知识提升帮助性和焦虑缓解作用；使用STAI-6在3个时间点（超声检查后、传统报告发布后、阅读患者友好报告后）测量焦虑。
核心发现：回顾性阶段60份报告全部成功生成，临床医生和外部LLM评价的整体质量评分均较高（具体数值未在已提供文本中完整显示）。前瞻性阶段尚未提供具体结果，但研究设计可评估LLM报告对患者理解、知识提升和短期焦虑的影响。整体表明LLM系统可安全生成专业且易于理解的患者友好型超声心动图报告。
一句话：基于DeepSeek-V3.2的患者友好型超声心动图报告系统在回顾性评估中取得高质量评分，并进入前瞻性临床验证阶段。