一、文章主要内容总结本文围绕“大型语言模型（LLMs）能否在真实临床场景中胜任儿科医生工作”这一核心问题，构建了PEDIASBench（儿科动态智能、适应性与安全性评估基准），从“基础医学知识应用”“动态诊疗能力”“儿科医疗安全与伦理”三个维度，对过去两年发布的12款代表性LLMs（含GPT-4o、Qwen3-235B-A22B、DeepSeek-V3等）进行了系统性评估。评估覆盖19个儿科亚专科、211种典型疾病，采用选择题（单/多选）、简答题等多种题型，结合真实临床病例与标准化考试资源设计任务。核心发现包括：顶尖模型在基础医学知识任务中表现优异（如Qwen3-235B-A22B在执照级问题上准确率超90%），但任务复杂度提升后性能下降约15%，复杂推理能力不足；动态诊疗场景中，DeepSeek-R1的病例推理得分最高（均值0.58），但多数模型难以适应患者实时病情变化；医疗伦理与安全维度，Qwen2.5-72B准确率达92.05%，但所有模型的人文关怀敏感性均有限；模型性能受亚专科复杂度影响显著，在肿瘤外科、心血管疾病等需动态推理的领域表现较差，而在儿童保健、呼吸内科等基础领域表现较好。研究结论指出，当前LLMs无法独立开展儿科诊疗，但可作为决策支持、医学教育、医患沟通的辅助工具；未来需通过多模态融合（文本、影像、生理信号）、临床反馈-模型迭代循环等方式，提升其安全性、可解释性与人文协作能力。二、文章创新点构建专属评估框架