ChatGPT Versus DeepSeek: Assessing Artificial Intelligence Performance on Radiation Oncology Examination Questions
Notice bibliographique
Résumé
Purpose: Large language models have been assessed for their ability to receive and answer medical questions. Recently, there has been a new large language model named DeepSeek released, which has not been assessed for medical accuracy. This is the first study to assess DeepSeek for accuracy in responding to medical questions. Methods and Materials: We prompted DeepSeek-R1 and several models of ChatGPT with 600 radiation oncology examination questions from national radiation oncology in-service multiple-choice examinations. These questions are used by medical residents in preparation for their certifying board examination and assess knowledge on anatomy, treatment planning, cancer epidemiology, and landmark trials. We recorded each model's accuracy, total prompt and completion tokens used, and total run time. Accuracy was compared across question categories and between models. Type I error was set at 0.05. Results: = .012) and was least accurate for questions about landmark studies (74.2% accuracy). ChatGPT o1 answered 89.0% of questions correctly, requiring 10 seconds per question. ChatGPT o1's accuracy did not significantly differ across question categories (93.5% accurate on questions about landmark studies). DeepSeek-R1 used 7.2% more tokens than ChatGPT o1. At February 2025 prices, DeepSeek-R1 costs up to $1.56, compared with ChatGPT's $37.96. Conclusion: DeepSeek-R1 is less accurate and answers more slowly compared with ChatGPT o1, but is less costly at the time of this manuscript preparation. Careful analysis and consideration of the current landscape and performance of each model is needed before implementation of DeepSeek-R1 or ChatGPT o1 to determine if the added financial costs of ChatGPT o1 are within the intended goals of improved accuracy and efficiency.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».