AI Summary & Key Takeaways
AI InsightPerformance was statistically compared based on overall accuracy, question type (case-based vs. knowledge-based), chronological period (old: 2015-2019 vs. new: 2020-2024), and clinical subspecialty.
📌 3 Key Takeaways
Abstract
This study aimed to comprehensively evaluate the performance of seven leading large language models (LLMs) from the 2024-2025 period on Turkish Medical Specialty Examination (TUS) ophthalmology questions, analyzing factors such as question type, chronology, and clinical area, while critically assessing the risk of data contamination and the technology's realistic potential in medical education. A set of 210 TUS ophthalmology questions (2015-2024) was presented to seven LLMs (OpenAI o1-preview, Claude 4.5 Sonnet, GPT-4o, Gemini 2.5 Pro, DeepSeek-R1, Llama 3 70B, Command R+) using a standardized protocol. Performance was statistically compared based on overall accuracy, question type (case-based vs. knowledge-based), chronological period (old: 2015-2019 vs. new: 2020-2024), and clinical subspecialty. All responses underwent blinded, expert qualitative coding for error type and confidence. OpenAI o1-preview achieved the highest overall accuracy (95.2%). Claude 4.5 Sonnet and GPT-4o demonstrated 100% accuracy on case-based questions. A significant performance gap existed between closed-source (average 91.0%) and open-source models (average 66.1%) (p<0.001, OR=5.14). Chronological analysis revealed a significant performance drop on new questions for several models (e.g., Command R+, DeepSeek-R1), suggesting potential data contamination. Qualitative analysis showed error concentration (over 65%) in complex clinical areas like glaucoma and retina. Hallucination rates were substantially higher in open-source models (42.5% vs. 12.8%). A weak, non-significant correlation was found between model confidence and answer accuracy (rho=0.21, p=0.09). Advanced LLMs show near-expert-level textual performance on TUS questions, highlighting their potential as complementary educational tools. However, significant performance variations, vulnerabilities in nuanced clinical judgment, suspected data contamination, high hallucination rates in open-source models, and the confidence-accuracy disconnect necessitate a critical approach. This text-based performance must not be equated with real-world, visually-intensive clinical diagnostic competence. Implementation requires rigorous human oversight, AI literacy education, and ethical frameworks.
Özet
Bu Bu çalışma, 2024-2025 dönemine ait yedi büyük dil modelinin (BDM) Türkçe TUS Göz Hastalıkları sorularındaki performansını kapsamlı bir şekilde değerlendirmeyi, soru tipi, kronoloji ve klinik alan gibi faktörleri analiz etmeyi, veri kirliliği riskini eleştirel olarak incelemeyi ve teknolojinin tıp eğitimindeki gerçekçi potansiyelini ortaya koymayı amaçlamıştır. İki yüz on TUS Göz Hastalıkları sorusu (2015-2024) yedi BDM'ye (OpenAI o1-preview, Claude 4.5 Sonnet, GPT-4o, Gemini 2.5 Pro, DeepSeek-R1, Llama 3 70B, Command R+) standart bir protokol kullanılarak yöneltildi. Performans; genel doğruluk, soru tipi (olgu temelli vs. bilgi temelli), kronolojik dönem (eski: 2015-2019 vs. yeni: 2020-2024) ve klinik yan dal bazında istatistiksel olarak karşılaştırıldı. Tüm yanıtlar, hata tipi ve güven düzeyi için körlenmiş, uzman nitel kodlamaya tabi tutuldu. OpenAI o1-preview en yüksek genel doğruluğa (%95.2) ulaştı. Claude 4.5 Sonnet ve GPT-4o, olgu temelli sorularda %100 doğruluk gösterdi. Kapalı kaynak (ortalama %91.0) ve açık kaynak modeller (ortalama %66.1) arasında anlamlı bir performans farkı saptandı (p<0.001, OR=5.14). Kronolojik analiz, bazı modellerde (örn. Command R+, DeepSeek-R1) yeni sorularda anlamlı performans düşüşü ortaya koyarak potansiyel veri kirliliğine işaret etti. Nitel analiz, hataların %65'inin glokom ve retina gibi karmaşık klinik alanlarda yoğunlaştığını gösterdi. Halüsinasyon oranları açık kaynak modellerde anlamlı derecede yüksekti (%42.5'e karşı %12.8). Model güveni ile cevap doğruluğu arasında zayıf, anlamsız bir korelasyon bulundu (rho=0.21, p=0.09). Gelişmiş BDM'ler, TUS sorularında uzman düzeyine yakın metinsel performans sergileyerek tamamlayıcı eğitim araçları olarak potansiyellerini vurgulamaktadır. Ancak anlamlı performans farklılıkları, nüanslı klinik yargıdaki zayıflıklar, şüpheli veri kirliliği, açık kaynak modellerdeki yüksek halüsinasyon oranları ve güven-doğruluk kopukluğu eleştirel bir yaklaşımı zorunlu kılmaktadır. Bu metin temelli performans, gerçek dünyadaki görsel-yoğun klinik tanı yetkinliği ile eş tutulmamalıdır. Uygulama, titiz insan denetimi, yapay zeka okuryazarlığı eğitimi ve etik çerçeveler gerektirmektedir.