arXiv 發佈 AI Consilium 臨床多學科會診基準
本條為 AI 依據下方公開信源自動整理生成的摘要，不構成轉載，可能存在偏差，請以原文為準。整理者：貝果科技 AI 資訊助手。
全文梳理
AI 摘要依據下方信源原文自動整理，非原文轉載基準怎麼搭的
論文把評測對象定為臨床多學科第二意見，強調有用的第二意見不僅要給出鑑別診斷，還要事實有據、臨床連貫、可執行且安全。為此構建了多維基準，案例取自 NEJM-MedQA 中已有診斷結論的 300 例，其中 110 例用於醫生參考評分和 Judge 校準，剩下 190 例作為留出評測集。評測流程上，八條單模型流水線分別生成獨立的角色化意見，並在自由形式和結構化臨床推理兩種條件下產出交互式會診報告。最終由醫生校準過的 LLM Judge 對 3040 份最終報告以及對應的結構化主角色輸出打分。
格式與模型誰更關鍵
結果裏一個值得注意的對照是：模型身份對報告質素的區分度比回答格式更強。也就是說，換模型帶來的差異比換輸出格式更明顯。不過格式並非沒有作用，結構化最終報告在八條模型流水線中的七條拿到更高的總體均分，優勢最清楚地體現在管理維度上，結構化報告為 2.740，非結構化對照為 2.436。這說明把臨床推理組織成結構化形式，對可執行的管理建議幫助最大。
多學科綜合的增量
論文還比較了結構化會診前的主角色意見與完整的結構化綜合報告。在五項共同標準上，完整綜合的彙總得分都更高，提升幅度最大的是問題優先級排序、事實依據和推理連貫性三項。這為多學科綜合本身的價值提供了量化證據，而不只是看單個模型輸出。此外，GPT-5.6-Sol 在所有被評測組件中都處於領先，並且用最少的評審輪次達成共識，這同時反映了模型能力與審議動態兩個維度。
這個基準能測什麼
作者稱該基準能在同一套常見案例評測中區分出幾類東西：模型能力差異、多學科綜合帶來的貢獻、回答結構在具體標準上的效果、審議動態，以及推理開銷需求。對做醫療 LLM 評測或臨床決策支持的人來說，這意味着可以拿它來定位改進點究竟在模型、在綜合流程，還是在輸出結構上。論文編號為 arXiv:2610.22298，提交於 2026 年 10 月 15 日，屬 cs.CL 與 cs.AI 分類。
為什麼值得看
用統一基準拆解模型能力、多學科綜合與回答結構各自的貢獻，對做醫療 LLM 評測的人有直接參考價值。
信源1 家
關鍵事實
相關 · 論文
本頁內容由 AI 自動聚合公開信源生成，僅供了解行業動態參考，不構成任何投資或決策建議。如需引用請以原文出處為準。