Performance of DeepSeek-R1 in Ophthalmology: An Evaluation of Clinical Decision-Making and Cost-Effectiveness
Notice bibliographique
Résumé
ABSTRACT Purpose To compare the performance and cost-effectiveness of DeepSeek-R1 with OpenAI o1 in diagnosing and managing ophthalmology clinical cases. Study Design Cross-sectional evaluation. Methods A total of 300 clinical cases spanning 10 different ophthalmology subspecialties were collected from StatPearls. Each case presented a multiple-choice question regarding the diagnosis or management of the clinical case. DeepSeek-R1 was accessed through its public chat-based interface, while OpenAI o1 was queried via an Application Program Interface (API) with a standardized temperature setting of 0.3. Both models were prompted using the Plan-and-Solve+ (PS+) prompt engineering method, instructing them to answer multiple choice questions for each case. Performance was calculated as the proportion of correctly answered multiple choice questions. McNemar’s test was employed to compare the two models’ performance on paired data. Inter-model agreement for correct diagnoses was evaluated via Cohen’s kappa. A token-based cost analysis was performed to estimate the comparative expenditures of running each model at scale, accounting for both input prompts and model-generated output. Results DeepSeek-R1 and OpenAI o1 both achieved an identical overall performance of 82.0% (n=246/300; 95% CI: 77.3-85.9). Subspeciality-specific analysis revealed numerical variation in performance, though none of these comparisons reached statistical significance (p>0.05). Agreement in performance between the models was moderate overall (κ=0.503, p<0.001), with substantial agreement in Refractive Management/Intervention (κ=0.698, p<0.001) and moderate agreement in Retina/Vitreous (κ=0.561, p<0.001) and Ocular Pathology/Oncology (κ=0.495, p<0.01) cases. Cost analysis indicated an approximately 15-fold reduction in per-query, token-related expenses when using DeepSeek-R1 compared with OpenAI o1 for the same workload. Conclusions DeepSeek-R1 demonstrates robust diagnostic reasoning and management decision-making capabilities, performing comparably to OpenAI o1 across a range of ophthalmic subspecialty cases, while also offering a substantial reduction in usage costs. These findings highlight the feasibility of utilizing open-weight, reinforcement learning-augmented LLMs as an accessible, cost-effective alternative to proprietary models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».