基于GPT-4的遗传性癌症综合征阳性筛查结果返回聊天机器人：检索增强生成与少样本提示工程的创新应用

为解决遗传咨询资源不足与群体基因组筛查需求激增的矛盾，研究人员利用GPT-4开发了面向遗传性癌症综合征（如Lynch综合征、BRCA突变）阳性结果的聊天机器人。通过检索增强生成（RAG）和少样本提示工程技术，构建的聊天机器人在专家评估中取得平均3.86分（5分制），尤其在沟通语气（4.25分）和易用性（4.25分）表现突出。该研究为大规模基因组筛查项目（如南卡罗来纳州"In Our DNA SC"计划）提供了自动化结果返回的新范式，有望缓解遗传服务供需失衡问题。

　　

随着群体基因组筛查（Population-wide Genomic Screening, PGS）项目的普及，遗传性癌症综合征（如BRCA1/2相关的遗传性乳腺癌卵巢癌综合征、MLH1相关的Lynch综合征）的阳性结果返回面临巨大挑战。南卡罗来纳州"In Our DNA SC"计划已为33,000余人返回结果，其中检出132例Lynch综合征、265例遗传性乳腺癌卵巢癌综合征和191例家族性高胆固醇血症。传统遗传咨询模式难以应对如此大规模的需求，而现有数字解决方案多局限于规则型聊天机器人，无法处理开放式问题。这一矛盾催生了基于大语言模型（Large Language Model, LLM）的智能解决方案需求。

Medical University of South Carolina的研究团队创新性地将GPT-4 Turbo模型应用于遗传性癌症阳性结果返回场景。研究采用三步提示工程策略：首先通过检索增强生成（Retrieval-Augmented Generation, RAG）技术整合遗传咨询脚本、常见问题解答等专业资料；其次建立包含27个临床问题的训练集；最后迭代优化提示模板。评估阶段，8名基因组学专家对2个典型病例（34岁BRCA1阳性女性和56岁MLH1阳性男性）的14个问题响应进行评分，使用5级Likert量表从8个维度评估性能。

最终提示和示例响应
优化后的提示明确限定聊天机器人角色为"遗传测试结果解释助手"，要求使用五年级词汇水平并以项目符号形式回应。例如针对"预防性护理建议"的查询，机器人能系统列出MLH1突变携带者的结肠镜监测方案（每1-2年）、生活方式建议（戒烟、健康饮食）和预防性手术选项，同时强调需与医疗团队讨论个性化方案。

提示工程评估
专家评分显示，聊天机器人在语气（4.25±0.68）和易用性（4.25±0.58）表现最优，边界管理（4.0±0.73）和效率（3.88±1.09）次之。领域准确性（3.63±0.96）达到满意水平，但项目特定信息准确性（3.25±1.39）有待提升，如对"In Our DNA SC"计划细节的解释存在不足。值得注意的是，模型对模糊问题的处理能力（稳健性3.81±0.66）显著优于传统规则型系统。

讨论与展望
该研究证实LLM在遗传咨询场景的应用潜力，特别是在处理开放式查询时展现的灵活性。与既往规则型系统相比，GPT-4基模型能更自然地讨论家族遗传风险、更新科研进展等复杂话题。研究团队建议采用混合架构：关键信息（如项目介绍、基础医学知识）采用规则型模块确保准确性，个性化咨询则交由LLM处理。未来需扩大测试范围至更多基因型（如APC、TP53），并纳入患者视角评估文化适应性。

这项发表于《JMIR Cancer》的研究为基因组医学领域提供了重要范式——通过精心设计的提示工程，通用LLM可转化为专业遗传咨询助手。随着PGS项目全球推广，这种结合人工智能与人类专业知识的混合模式，或将成为解决遗传服务可及性问题的关键突破。