Journal of medical Internet research 这项回顾性研究将107例单中心肝胆胰肿瘤多学科团队（MDT）会议病例的标准化摘要重复4次提交给GPT-4o、GPT-5.2、Gemini 3 Pro和Claude Sonnet 4.5四个大语言模型，发现模型间回答稳定性差异显著（Gemini 3 Pro不一致率最低，均值12.8%，Fleiss κ=0.737；GPT-4o最高，均值30.2%，Fleiss κ=0.430），与MDT决策的一致率在初始回答下为48.6%–72.9%、在众数回答下为66.3%–74.5%，且手术类F1分数（0.400–0.520）持续低于化疗类（0.621–0.836），提示仅用一致性不足以评估大语言模型作为临床决策支持工具。