一、文章主要内容与创新点（一）主要内容研究背景：胶质母细胞瘤（GBM）是成人最常见且恶性程度最高的原发性脑癌，治疗手段有限且临床试验样本量常不足，传统频率统计方法难以得出有效结论；贝叶斯分析可解决小样本问题，但依赖专家意见构建先验分布存在耗时、主观偏差等缺陷。研究目的：探索大语言模型（LLMs）生成的先验分布在胶质母细胞瘤生存分析中的应用，验证其是否能替代专家意见，成为贝叶斯模型的高效先验信息来源。研究方法：数据：28名胶质母细胞瘤患者，分为常规放疗（CRT）组（8人）和大分割放疗（HFRT）组（20人），收集生存时间、事件状态（死亡/截尾）等数据。模型：采用标准贝叶斯Cox模型，聚焦两组风险比（HR）的先验分布构建。先验生成：使用ChatGPT、Gemini、Grok三款大语言模型，各生成1个信息性先验和1个非信息性先验（均为对数正态分布），经放疗肿瘤专家评估后用于敏感性分析。研究结果：所有LLM生成的先验均得出一致结论——HFRT的风险比（HR1）高于CRT，即HFRT疗效劣于CRT；信息性先验与非信息性先验结果相近，且先验分布具有保守性和合理性。（二）创新点首次将LLM生成先验应用于胶质母细胞瘤生存分析