Anatomical Accuracy of Generative AI for Congenital Heart Disease Illustrations: Gemini NanoBanana Versus ChatGPT Models in a Blinded Comparative Study

这项盲法比较研究表明，尽管生成式 AI（特别是 Gemini NanoBanana）能生成视觉吸引力强的先天性心脏病插图，但其解剖准确性远不及专家修改的图像，且 ChatGPT 系列模型表现更差，因此 AI 生成的医学图像仅应在专家审核的工作流中使用，而不能作为独立的教学资源。

要点

这篇论文就像是一场**“医学插画界的‘真假美猴王’大比拼”**。

想象一下，医生们需要给医学生讲解心脏里那些复杂得像迷宫一样的先天性疾病（比如心脏里少个洞、血管接反了等）。以前，这些图都是请专业的医学插画师，像画工笔画一样，一笔一划、严谨地画出来的，保证解剖结构分毫不差。

现在，大家想用**人工智能（AI）**来画这些图，因为 AI 画得快、便宜，还能“变”出各种角度。但这篇研究就是想知道：这些 AI 画出来的心脏图，到底能不能用？还是说它们只是“看着像那么回事，其实全是瞎编”的？

1. 比赛规则：谁在参赛？

研究者找了20 种不同的先天性心脏病，让三位“选手”来画：

• 选手 A（ChatGPT-5 和 ChatGPT-Images）： 代表目前很火的 OpenAI 系列。
• 选手 B（Gemini NanoBanana）： 代表谷歌的 Gemini 系列（注：这是论文中设定的未来版本，名字很有趣，叫“小香蕉”）。
• 选手 C（人类专家修改版）： 这是**“标准答案”**。由人类专家基于权威资料画好，再稍微用 AI 风格润色一下，作为对比的“黄金标准”。

评委团： 20 位医生（10 位是心脏专家，10 位是其他科室的医生）。他们被蒙住了眼睛，不知道哪张图是谁画的，只能凭感觉打分。

2. 比赛结果：惨烈的“翻车”现场

🏆 冠军：人类专家（选手 C）

• 表现： 只有人类画的图，才真正做到了**“解剖结构准确”**。
• 比喻： 就像一位老练的米其林大厨做的菜，色香味俱全，而且食材（心脏结构）完全对路。
• 数据： 接近一半的图被评委认为“完全准确”，可以直接拿来给学生上课。

🥈 亚军：Gemini NanoBanana（选手 B）

• 表现： 它是 AI 里**“最靠谱”**的。虽然也有错误，但比另外两个 AI 强很多。
• 比喻： 像是一个很有天赋但还没出师的新手厨师。菜摆盘很漂亮（看着很吸引人），但有时候会把盐当成糖，或者把鱼骨头画在奇怪的地方。
• 数据： 约 23% 的图被认为是准确的。虽然不能直接用，但稍微修改一下（比如把画错的血管改对），就能拿来用。

🥉 垫底：ChatGPT 系列（选手 A）

• 表现： 灾难现场。绝大多数图都是**“胡编乱造”**的。
• 比喻： 就像是一个喝醉了酒、还在做白日梦的画家。他画的心脏看起来色彩斑斓、非常逼真，但如果你仔细看，心脏可能长了三只耳朵，或者血管像意大利面一样乱缠在一起。
• 数据： 超过 85% 的图被判定为“完全错误”或“虚构”。如果学生照着这个学，以后给病人看病可能会把血管接反，后果不堪设想。

3. 一个有趣的发现：越“好看”越危险

研究发现了一个很讽刺的现象：

• Gemini 画的图往往最漂亮、最吸引人（评委觉得它“颜值”最高）。
• 但是，它画得越漂亮，里面的解剖错误可能越隐蔽。
• 比喻： 这就像包装精美的假药。盒子做得比真药还好看，里面的药片颜色也调得很像，但吃下去不仅治不了病，还可能有毒。如果学生被“颜值”骗了，就会把错误的知识记在脑子里，以后很难纠正。

4. 专家 vs. 外行：谁的眼睛更毒？

• 心脏专科医生（专家）：眼光毒辣，一眼就能看出 AI 画的血管哪里接错了，给分很严。
• 非心脏医生（外行）：容易被“颜值”迷惑，觉得图挺好看就给了高分，没发现里面的硬伤。
• 比喻： 就像品酒师和普通游客。品酒师能尝出酒里是不是掺了水，而游客只觉得这酒瓶子好看、酒标漂亮，就以为是好酒。

5. 结论：AI 能当老师吗？

这篇论文给 AI 画医学图泼了一盆冷水，但也留了一扇窗：

• ❌ 不能直接当老师： 现在的 AI（哪怕是 Gemini）画的心脏图，绝对不能直接拿给学生看，也不能直接用来做手术指导。因为里面的错误太多了，会误导学生。
• ✅ 可以当“草稿纸”： AI 可以作为一个**“快速绘图助手”**。比如，医生可以告诉 AI：“帮我画个心脏草图，大概长这样。”然后，必须由人类专家拿着红笔，把画错的地方改对，把乱标的名字改正确，最后才能变成教学材料。

一句话总结

AI 画的心脏图，就像是用 3D 打印机打印出来的“塑料心脏”：看着挺像那么回事，甚至有点光泽，但你千万别拿它去给病人做手术，因为它里面没有真的血管和肌肉，全是“塑料”做的假象。

在医学教育里，“真实”永远比“好看”重要一万倍。AI 目前还只是个需要人类专家严格监管的“实习生”，绝不能让它独立上岗。

技术摘要

这是一份关于生成式人工智能（GenAI）在先天性心脏病（CHD）医学插图准确性方面的详细技术总结，基于您提供的论文《先天性心脏病插图的生成式人工智能解剖学准确性：Gemini NanoBanana 与 ChatGPT 模型在盲法比较研究中的表现》。

1. 研究背景与问题 (Problem)

• 核心问题：生成式人工智能（如 ChatGPT 和 Gemini）正被越来越多地用于生成医学教育插图。然而，在先天性心脏病（CHD）这种高度复杂且对空间关系要求极高的领域，这些 AI 生成的图像在解剖学准确性方面尚未得到充分验证。
• 潜在风险：AI 生成的图像往往视觉上极具吸引力（“看起来像真的”），但可能包含细微但致命的解剖结构错误（如血管连接错误、心室位置颠倒等）。如果学习者将这些错误内化，可能会形成错误的心理模型，进而影响临床理解和手术规划。
• 研究缺口：目前缺乏针对不同主流大模型（特别是最新模型如 ChatGPT-5 和 Gemini NanoBanana）在生成复杂 CHD 图像时的系统性、盲法对比研究，也缺乏关于其教育适用性的量化评估。

2. 研究方法 (Methodology)

• 研究设计：这是一项评估者盲法（Assessor-blinded）的比较研究。
• 图像生成：
  • 对象：涵盖 20 种常见的先天性心脏病（CHD）类型及正常心脏，共 21 个解剖类别。
  • 生成平台：
    1. ChatGPT-5（生成 3 张/类别）
    2. Gemini NanoBanana（生成 3 张/类别）
    3. ChatGPT-Images（2025 年 12 月发布的新模型，生成 1 张/类别）
    4. 人类修正图像（Human-modified）：作为金标准，由权威开源解剖资源生成，并经第三方 AI 渲染以统一视觉风格，确保盲法评估的公平性。
  • 提示词（Prompt）：标准化提示词，要求生成“供医学生使用的准确医学插图，包含清晰且正确的内部文本标签”。
  • 总样本量：共生成 168 张图像（21 类 × 8 张/类），总评估次数为 3,360 次（20 名评估者 × 168 张图）。
• 评估人员：20 名医生，分为两组：
  • CHD 专家（10 人）：包括儿科心脏病专家。
  • 非 CHD 专家（10 人）：包括内科、护理等相关医疗专业人员。
• 评估维度（4 个领域）：
  1. 解剖学准确性（准确/部分正确/伪造或错误）。
  2. 文本标签的有用性（有用/一般/无用或错误）。
  3. 视觉吸引力（吸引人/一般/不吸引人）。
  4. 医学教育适用性（可直接使用/需修改后使用/不可用）。
  • 综合评分：总分范围 4-12 分。
• 统计分析：使用卡方检验、Mann-Whitney U 检验、Kruskal-Wallis 检验以及混合效应广义线性模型（GLM）进行多变量分析。

3. 关键发现与结果 (Key Results)

• 解剖学准确性：
  • 人类修正图像表现最佳：48.3% 被评级为“准确”。
  • Gemini NanoBanana：表现次之，22.7% 准确。
  • ChatGPT 系列：表现极差。ChatGPT-5 和 ChatGPT-Images 生成的图像中，分别有 86.3% 和 85.2% 被评级为“伪造或错误”（Fabricated/Incorrect），仅有约 3% 被评级为准确。
• 教育适用性（“直接使用”）：
  • 人类修正图像：37.9% 被认为可直接用于教学。
  • Gemini NanoBanana：13.1% 可直接使用，但 47.6% 被认为“经修改后可用”。
  • ChatGPT 系列：几乎不可用（ChatGPT-5 仅 0.1%，ChatGPT-Images 仅 2.1% 被认为可直接使用；90% 以上被判定为“不可用”）。
• 视觉吸引力与准确性的错位：
  • Gemini NanoBanana 在“视觉吸引力”方面得分最高（34.6% 被评为吸引人），甚至超过了人类修正图像（16.4%）。
  • 这揭示了一个危险现象：AI 生成的图像往往看起来非常逼真和美观，但解剖结构却是错误的。这种“视觉欺骗性”可能导致学习者产生过度信任。
• 专家与非专家的评价差异：
  • 心脏病专家对图像质量的评价更为严格，识别出的错误更多，且对复杂病变（如肺动脉闭锁伴室间隔缺损）的感知复杂度更高。
  • 非心脏病专家倾向于给出更高的总体质量评分，表明他们更容易被 AI 生成的视觉吸引力所迷惑，而难以识别细微的解剖错误。
• 多变量分析：
  • 图像来源是预测总体质量的最强因素。
  • 与人类修正图像相比，ChatGPT-5 的质量评分降低了约 43%（RR=0.57），ChatGPT-Images 降低了 40%（RR=0.60）。
  • Gemini NanoBanana 表现最好，质量评分仅降低了约 6%（RR=0.94），但仍显著低于人类标准。

4. 主要贡献 (Key Contributions)

1. 系统性盲法评估：首次针对最新一代生成式 AI 模型（ChatGPT-5, Gemini NanoBanana）在复杂 CHD 领域进行了严格的盲法对比，消除了评估者的来源偏见。
2. 揭示“视觉陷阱”：量化了 AI 生成图像中“高吸引力”与“低准确性”之间的显著脱节，警示医学教育者不能仅凭视觉美观度判断 AI 内容的可靠性。
3. 模型性能分层：证明了不同 AI 模型在医学解剖领域的性能存在巨大差异。Gemini NanoBanana 显著优于 ChatGPT 系列，但即便如此，仍无法完全达到专家级人工插图的标准。
4. 专家视角的必要性：强调了在医学 AI 内容评估中，领域专家（心脏病专家）的参与至关重要，非专家容易低估解剖错误的严重性。

5. 意义与结论 (Significance & Conclusion)

• 临床与教育警示：目前的通用生成式 AI 不能作为独立的医学教学资源，特别是在先天性心脏病等高风险领域。直接依赖 AI 生成的图像可能导致学生建立错误的解剖认知。
• 工作流建议：AI 生成的图像应仅作为专家审查流程中的草稿或原型。必须经过心脏病学专家或专业医学插画师的严格审核、修正和验证后，才能用于教学。
• 治理框架：医疗机构和教育部门需要建立明确的治理政策，规定 AI 生成内容的使用边界、透明度要求（必须标注 AI 生成）以及质量控制流程。
• 未来方向：虽然通用模型目前存在局限，但 Gemini NanoBanana 的相对优势表明，通过模型选择、提示工程优化以及专家介入的混合工作流，AI 有望在辅助医学教育中发挥积极作用，但前提是必须保持“人在回路”（Human-in-the-loop）的严格监督。

总结：该研究有力地证明了在高度专业的医学领域，生成式 AI 目前仍是一个“有吸引力的错误制造者”。虽然 Gemini NanoBanana 表现相对较好，但所有测试的 AI 模型在解剖准确性上均远未达到可直接用于教学的标准，必须依赖专家的人工干预和审核。