综述覆盖研究设计、统计方法、能力测试和临床应用评估四个层面。
推荐理由：医疗LLM输出开放且受提示和上下文影响，单次准确率不足以证明临床效用；四层框架有助于区分基准能力、统计可靠性与真实医疗收益。
阅读原文