研究：大语言模型可在低数据条件下辅助慢性肾病早期筛查
一项研究评估了LLM在零样本和少样本情境下进行慢性肾病筛查的效果，称其在数据有限时能达到与机器学习方法相当的水平，但稳定性因模型而异。
AI解读：慢性肾病早期筛查通常依赖机器学习模型，但这些模型需要大量带标签的临床数据来训练，在真实世界数据稀缺的场景里难以部署。这篇被ICDM 2026接收的论文提出一个思路：不训练专门模型，而是把患者的临床表格特征（如化验指标）填入结构化提示模板，让通用大语言模型直接判断肾病风险。结果显示，只用少量示例，LLM在低数据环境下就能匹敌甚至超过传统方法，但在输入复杂度提高时表现不稳定且依赖具体模型；传统机器学习和深度学习模型则随着训练数据增加而表现得更为稳定。这意味着，在缺乏标注数据或需要快速布点的筛查场景，LLM可以作为一个辅助工具，但不宜作为唯一判定依据——对普通读者来说，这项研究属于早期探索，不必据此改变任何就医行为；对于开发筛查工具的团队，它提示可以把LLM作为低成本补充方案，与更稳定的传统模型结合使用。
根据arXiv预印本（编号2609.04013，2026年9月3日提交）披露的一项研究，研究者提出一个框架，允许大语言模型在零样本和少样本情境下进行慢性肾病（CKD）的早期筛查，而无需针对任务进行训练。该研究已被数据挖掘会议ICDM 2026接收。
方法与发现
研究由Muhammad Ashad Kabir和Sirajam Munira开展，基于摘要信息。他们使用临床筛选的表格特征和结构化提示模板，让LLM进行推理，并将其与传统机器学习、深度学习、表格基础模型（TFM）基线以及现有CKD筛查工具进行对比。评价涵盖多种提示风格、特征配置和数据设置。
结果显示，LLM仅用少量示例就能获得有竞争力的表现，在低数据情境下常常能匹敌或超过传统方法；但这种表现依赖具体模型，且当输入复杂度增加时稳定性下降。相比之下，机器学习、深度学习和TFM模型随着训练数据增多表现更稳定地改善。
- 依据为论文摘要，未覆盖完整实验细节和数据。
- 作者指出LLM的表现存在模型依赖性和不稳定性。