大模型与智能体训练 › 复现前沿论文
前沿论文所需数据样例2026 年 11 月核对
列出近年医疗人工智能方向的 27 篇论文,分 8 个方向归类。逐篇说明论文用了什么数据、复现需要什么数据规格,并给出按论文格式加工的合成样例。
27篇论文8个方向27份合成样例
疾病轨迹与世界模型4 篇
把一个人的病程看作按时间排列的事件,预测下一步会发生什么、何时发生。
medRxiv2026.09.19.26363460 HealthFluxA world model simulates the latent dynamics of human healthUK Biobank 50.2 万人 · 11 个数据域 · 三维 MRIStanford 等Wang Z … Wyss-Coray T, Ying K预印本
- 用的数据
- UK Biobank 502,166 人,11 个数据域、4,920 项特征与脑部、体部三维 MRI;在 CARDIA、ARIC、WHI、All of Us 四个美国队列外部验证。
- 做什么
- 混合状态空间世界模型:两次观测之间按微分方程演化,新测量到来时更新隐状态;模拟 20 年内 1,256 种疾病与死亡。对训练中未见过的疾病,78% 的比较能排对先后;按用药条件做“虚拟试验”,与已发表的随机试验对照。
- 复现所需
- 每人多次测量的检验、体征与诊断,带测量时间;用药起止时间;死亡日期。
- 古脉对应
- 区域多年门诊与住院记录,检验、检查报告、处方与医嘱级用药按临床获知时间排列,按论文的数据域重组为同结构样本包。
样例:一位合成患者的多域时间线合成数据
| 第 0 天 | 人口学 | 男,1961 年生 |
| 第 0 天 | 检验 | HbA1c 7.4% · LDL-C 3.9 mmol/L |
| 第 0 天 | 体征 | 血压 152/94 mmHg · BMI 27.6 |
| 第 14 天 | 用药 | 二甲双胍 0.5 g bid 开始 · 阿托伐他汀 20 mg qn 开始 |
| 第 372 天 | 检验 | HbA1c 6.8% · LDL-C 2.1 mmol/L |
| 第 1,105 天 | 诊断 | I63 脑梗死(住院首诊) |
medRxiv2024.06.07.24308553 Delphi-2MLearning the natural history of human disease with generative transformersUK Biobank 40 万人 · 丹麦登记 190 万人外部验证EMBL-EBI、DKFZ、哥本哈根大学Shmatko A … Birney E, Gerstung MNature 2025
medRxiv 2024.06.07.24308553Nature 2025 正式版
- 用的数据
- UK Biobank 约 40 万人训练、10 万人验证;不改参数,直接在丹麦全国登记数据 190 万人上外部验证。
- 做什么
- 把每人的首诊疾病按发生年龄排成序列,预测下一个疾病及其发生时间,对 1,000 多种疾病的预测精度与单病种模型相当;还可抽样生成 20 年合成病程,用来训练从未接触真实数据的模型。
- 复现所需
- 每人按时间排序的 ICD-10 三位码首诊事件,加性别、BMI、吸烟、饮酒分档与死亡日期。
- 古脉对应
- 门诊与住院诊断合并去重后取首诊,按就诊日期换算年龄;BMI、吸烟、饮酒取自病历记录。
样例:一位合成患者的疾病序列合成数据
| 0 天 | 性别:女 |
| 15,330 天 | BMI:中 · 吸烟:否 · 饮酒:否 |
| 16,802 天 | E11 2 型糖尿病 |
| 17,455 天 | I10 原发性高血压 |
| 19,120 天 | N18 慢性肾脏病 |
| 21,036 天 | I50 心力衰竭 |
| 22,410 天 | 死亡 |
arXiv2508.12104 CoMETGenerative Medical Event Models Improve with ScaleEpic Cosmos 1.18 亿患者 · 1,150 亿个事件Epic、微软研究院Waxler S … Hain S, Shah R预印本
- 用的数据
- Epic Cosmos 去标识化病历:1.18 亿患者、1,150 亿个医疗事件、85 亿次就诊。
- 做什么
- 解码器模型(最大 10 亿参数)逐个生成下一事件,模拟患者未来病程;给出医疗事件模型的规模定律,在诊断、预后、运营等 78 项任务上评估。
- 复现所需
- 统一编码的就诊、诊断、检验(数值分档)、用药、手术事件流,带时间间隔标记,跨多家医疗机构。
- 古脉对应
- 区域内多家医疗机构的就诊、诊断、检验、用药、手术已按统一事件模型抽取与归并,可直接序列化为同类事件流。
样例:一位合成患者的事件流合成数据
| 就诊 | 门诊 · 呼吸内科 |
| 诊断 | J44.1 慢阻肺急性加重 |
| 检验 | 血氧饱和度 · 第 2 分位 |
| 用药 | 布地奈德福莫特罗吸入 |
| 间隔 | 3–6 个月 |
| 就诊 | 住院 · 呼吸内科 |
| 检验 | 动脉血二氧化碳分压 · 第 9 分位 |
| 操作 | 无创通气 |
arXiv2212.08072 ForesightForesight — a generative pretrained transformer for modelling of patient timelines using electronic health records两家医院病历原文 + MIMIC-III · 81 万患者伦敦国王学院Kraljevic Z … Teo JT, Dobson RJLancet Digit Health 2024
arXiv 2212.08072Lancet Digit Health 2024 正式版
- 用的数据
- 伦敦两家医院的自由文本病历及 MIMIC-III,共 81 万余名患者。
- 做什么
- 先从病历原文中识别并链接 SNOMED 概念,再用生成式模型按时间线预测下一个疾病、用药、操作与所见;前 10 个预测的精确率 0.68–0.88。
- 复现所需
- 带书写时间的门诊记录、病程记录、出院小结与报告原文;术语识别与标准化;按患者排列的概念时间线。
- 古脉对应
- 门诊病历、病程记录、出院小结与检查报告原文,配中文术语抽取、标准化与医生抽检,按患者生成概念时间线。
样例:病历原文到概念时间线合成数据
| 2021-03-02 门诊 | “咳嗽咳痰 2 周,既往高血压” | 咳嗽 · 咳痰 · 高血压 |
| 2021-03-09 报告 | “右肺上叶结节,约 1.2 cm” | 肺结节 |
| 2021-04-20 病理 | “浸润性腺癌” | 肺腺癌 |
| 2021-05-06 出院 | “行右肺上叶切除术” | 肺叶切除术 |
| 预测目标 | 下一个概念及其出现时间 | |
预后与表征4 篇
从结构化病历学习患者表征,预测结局及其发生时间。
arXiv2301.03150 MOTORMOTOR: A Time-To-Event Foundation Model For Structured Medical Records病历与理赔 5,500 万份 · 90 亿个事件StanfordSteinberg E … Xu Y, Shah NICLR 2024
arXiv 2301.03150ICLR 2024 收录
- 用的数据
- 预训练最多 5,500 万份病历、90 亿个事件(病历加医保理赔);在斯坦福病历、MIMIC-IV 与商业理赔数据上评估 19 项时间到事件任务。
- 做什么
- 自监督预训练预测“多久之后发生某事件”,处理随访删失;下游做风险分层与生存预测。
- 复现所需
- 统一编码的带时间戳事件,加随访截止时间(删失)与结局发生时间。
- 古脉对应
- 事件映射到统一编码,按患者给出最后一次就诊时间作删失点,结局时间取首次诊断或死亡记录。
样例:一位合成患者的生存标签合成数据
| 起点 | 2017-04-03 首诊 E11 2 型糖尿病 |
| 事件 | 2017-04-03 二甲双胍 · 2018-09-21 HbA1c 8.9% · 2019-02-14 I10 |
| 结局 | 糖尿病肾病:第 1,412 天发生 |
| 结局 | 心力衰竭:未发生,第 2,190 天删失 |
arXiv2407.21124 ETHOSZero shot health trajectory prediction using transformerMIMIC-IV 20 万患者 · 40 万次住院哈佛医学院、麻省总医院Renc P … Bates DW, Sitek Anpj Digit Med 2024
arXiv 2407.21124npj Digit Med 2024 正式版
后续工作:Reinforcement Learning over Patient Trajectories for Clinical Reasoning in EHR Foundation Models(arXiv 2026)
- 用的数据
- MIMIC-IV,20 余万患者、40 余万次住院;入院、检验、用药、ICU 等事件编为统一词表的患者健康时间线。
- 做什么
- 不做标注与微调,零样本预测院内死亡、ICU 住院时长、再入院、SOFA 评分与 DRG;后续工作在其上用强化学习训练轨迹推理。
- 复现所需
- 住院全程事件时间线:入出院、检验、用药、ICU 转入转出、出院结局与再入院。
- 古脉对应
- 住院病案首页、医嘱、检验与转科记录按时间合并,出院后的再入院与死亡跨院关联。
样例:一次住院的时间线合成数据
| 第 0 小时 | 急诊入院 → 心内科 · 女 · 年龄第 7 分位 |
| 第 2 小时 | NT-proBNP 第 9 分位 · 肌钙蛋白 第 6 分位 |
| 第 3 小时 | 呋塞米 静脉注射 |
| 第 30 小时 | 转入心脏监护病房 |
| 第 6 天 | 出院回家 |
| 预测目标 | 30 天内再入院(实际:第 19 天再入院) |
arXiv2601.20906 TwinWeaverTwinWeaver: An LLM-Based Foundation Model Framework for Pan-Cancer Digital TwinsFlatiron 临床基因组库 93,054 人 · 20 种癌症罗氏、基因泰克、亥姆霍兹慕尼黑Makarov N … Schmich F, Menden M预印本
- 用的数据
- Flatiron Health 与 Foundation Medicine 临床基因组数据库中 93,054 名患者、20 种癌症:人口学、诊断、治疗线与给药、检验、体征、体能评分、进展、死亡与基因检测结果。
- 做什么
- 把每位患者的病程按周序列化为文本,训练大模型预测检验指标轨迹,并预测生存、进展与换药;风险分层 C-index 0.703,最强基线 0.662。
- 复现所需
- 肿瘤患者按周的治疗线、给药、检验与体征轨迹;进展、换药、死亡事件;基因检测结果。
- 古脉对应
- 肺癌临床本体以治疗决策为节点,串起问题、决策、动作与三个时间尺度的结局,可直接序列化为同类文本。
样例:一位肺癌患者的按周序列合成数据
| 第 0 周 | 非小细胞肺癌 · 腺癌 IVA 期 · EGFR 19 外显子缺失 · ECOG 1 |
| 第 0 周 | 一线:奥希替尼 80 mg qd |
| 第 8 周 | CEA 12.4 → 4.1 ng/mL · 疗效:部分缓解 |
| 第 46 周 | CEA 9.8 ng/mL · 影像:新发脑转移,评估为进展 |
| 第 48 周 | 二线:培美曲塞 + 卡铂 |
| 预测目标 | 第 48–60 周 CEA 轨迹 · 换药风险 |
arXiv2412.16178 Context CluesContext Clues: Evaluating Long Context Models for Clinical Prediction Tasks on EHRs250 万患者 · 35 亿个事件StanfordWornow M … Koyejo S, Shah NH预印本
- 用的数据
- 斯坦福 OMOP 编码病历:250 万患者、35 亿个事件用于训练,另留出 50 万患者;平均每位患者 1,364 个事件。在 EHRSHOT 的 14 项任务上评估。
- 做什么
- 比较 4 种架构、6 种上下文长度共 16 个模型,看更长的病历上下文能否提升预测;上下文 16k 的 Mamba 模型在 14 项任务中的 9 项超过此前最好结果,平均 AUROC 0.807。
- 复现所需
- 覆盖患者全部就诊史的编码事件序列(诊断、检验、用药、操作),带时间戳,保留事件间隔,并标出复制沿用的诊断。
- 古脉对应
- 区域多年门诊与住院事件按时间排列;同一诊断在多次就诊中的沿用与新发分开标注。
样例:一位合成患者的长事件序列合成数据
| 2015-03-11 | 门诊 | I10 原发性高血压 · 新发 |
| 2015-03-11 | 用药 | 氨氯地平 5 mg qd |
| 2015-06-02 | 门诊 | I10 原发性高血压 · 沿用 |
| 2016-01-18 | 检验 | 空腹血糖 6.4 mmol/L · 肌酐 98 μmol/L |
| … | … | 共 1,412 个事件 |
| 预测目标 | 1 年内是否新发 2 型糖尿病 |
临床文本与病历理解3 篇
在真实病历文本上训练或评测:预测结局、生成摘要、辅助诊断。
DOI10.1038/s41586-023-06160-y NYUTronHealth system-scale language models are all-purpose prediction engines4 家医院 725 万份住院病历纽约大学朗格尼医学中心Jiang LY … Cho K, Oermann EKNature 2023
- 用的数据
- 纽约大学朗格尼 4 家医院 2011–2020 年 387,144 名患者的 725 万份住院病历文本(约 41 亿词)用于预训练;5 个微调任务各含 5.6 万–41.4 万名患者。
- 做什么
- 1.09 亿参数的语言模型读取病历原文,预测 30 天再入院、院内死亡、合并症指数、住院时长与医保拒付;AUC 78.7%–94.9%,比传统模型高 5.36%–14.7%,并在院内前瞻部署。
- 复现所需
- 多年全量病历原文(病程记录、出院小结、影像报告),逐份关联到就诊,配再入院、死亡、住院时长、医保拒付等结局标签。
- 古脉对应
- 门诊病历、病程记录、出院小结与检查报告原文,逐份关联到就诊;再入院、死亡与费用结局跨院关联。
样例:一份出院小结与结局标签合成数据
| 文本 | 出院小结:“冠心病,经皮冠状动脉介入术后第 3 天,胸痛缓解,带药出院……” |
| 就诊 | 住院 6 天 · 心内科 |
| 标签 | 30 天内再入院:是(第 23 天) |
| 标签 | 住院时长超过中位数:否 |
| 标签 | 医保拒付:否 |
arXiv2309.07430 临床文本摘要Adapted large language models can outperform medical experts in clinical text summarization6 个数据集 · 4 类摘要任务StanfordVan Veen D … Pauly J, Chaudhari ASNature Medicine 2024
arXiv 2309.07430Nature Medicine 2024 正式版
- 用的数据
- 放射报告(Open-i 3.4K、MIMIC-CXR 128K、MIMIC-III 67K)、患者提问(MeQSum 1.2K)、病程记录到问题清单(ProbSum 755)、医患对话(ACI-Bench 126);10 名医生参与盲评。
- 做什么
- 调整 8 个大模型做四类临床摘要,与医学专家写的摘要对比;最佳模型的摘要 45% 与专家相当、36% 优于专家。
- 复现所需
- 原文与医生撰写摘要的配对(病程记录到问题清单、检查所见到印象),加医生对完整性、正确性、简洁性的评分。
- 古脉对应
- 检查报告的所见与印象、病程记录与诊断天然配对;医生网络按完整性、正确性、简洁性评审。
样例:一份报告的所见与印象合成数据
| 所见 | 双肺纹理增粗,右下肺见斑片状高密度影,边缘模糊;心影不大;双侧肋膈角锐利。 |
| 参考印象 | 右下肺炎症,建议抗感染治疗后复查。 |
| 评分 | 完整性 5 · 正确性 5 · 简洁性 4(1–5 分) |
DOI10.1038/s41591-024-03416-6 MedFoundA generalist medical language model for disease diagnosis assistance870 万份真实病历 · 中文多中心北京邮电大学、北京大学第三医院、四川大学华西医院Liu X … Song C, Wang GNature Medicine 2025
- 用的数据
- 63 亿 token 医学语料(教科书、病例报告、病历)与 870 万份真实病历训练;中文病历来自北大三院、北大一院、华西医院等多中心;由 800 例医生书写的诊断推理示范起步微调;内部测试 11,662 份病历,另有湖北的外部测试。
- 做什么
- 1,760 亿参数的通用诊断模型,用自举的思维链微调,并按 ICD-10 层级做偏好对齐;覆盖 8 个专科与罕见病,平均前 3 位诊断准确率 84.2%,GPT-4o 为 62.0%。
- 复现所需
- 中文门诊与住院病历(主诉、现病史、查体、检验、影像)配最终 ICD-10 诊断,加医生书写的诊断推理过程。
- 古脉对应
- 区域门诊与住院病历含主诉、现病史、查体、检验与检查报告,配出院诊断编码;医生网络可撰写诊断推理示范。
样例:一份病历与诊断推理合成数据
| 主诉 | 反复上腹痛 2 个月,加重 3 天 |
| 现病史 | 进食后加重,伴反酸;近 1 个月体重下降 3 kg |
| 检验 | 血红蛋白 102 g/L · 粪隐血阳性 |
| 检查 | 胃镜:胃角溃疡,约 1.5 cm |
| 诊断 | K25 胃溃疡 |
| 推理 | 进食后上腹痛、隐血阳性、胃镜见溃疡;伴体重下降,需病理排除恶性 |
诊断与临床智能体4 篇
模型逐步获取病史、查体、检验与检查,给出诊断,或跨多次就诊管理疾病。
arXiv2503.06074 AMIE 疾病管理Towards conversational artificial intelligence for disease management100 个多次就诊场景 · NICE 与 BMJ 指南Google DeepMind、Google ResearchPalepu A … Karthikesalingam A, Schaekermann MNature 2026
arXiv 2503.06074Nature 2026 正式版
- 用的数据
- 按英国 NICE 与 BMJ Best Practice 指南设计的 100 个多次就诊病例场景;21 名全科医生同场对照,专科医生盲评;另建由美、英两国药典衍生、药师审定的用药选择题集 RxQA。
- 做什么
- 基于 Gemini 的对话智能体跨多次就诊管理疾病,借长上下文检索临床指南与药典来组织推理;管理推理不劣于全科医生,治疗与检查的精确度、与指南的一致性更好。
- 复现所需
- 多次就诊病例场景(每次就诊新增的检查结果与病情变化)、可检索的指南与药品说明语料、医生撰写的管理评分细则。
- 古脉对应
- 从真实长病程中截取连续多次就诊,改写为场景卡;国内指南与专家共识语料;专科医生按场景撰写评分细则。
样例:一张三次就诊场景卡合成数据
| 第 1 次 | 口干多饮 3 个月;空腹血糖 9.8 mmol/L,HbA1c 8.1% |
| 第 2 次 | 二甲双胍 12 周后:HbA1c 7.6%,eGFR 52 |
| 第 3 次 | 新增踝部水肿;尿白蛋白/肌酐比 46 mg/g |
| 细则 +5 | 第 2 次按 eGFR 评估二甲双胍剂量 |
| 细则 +5 | 第 3 次考虑加用 SGLT2 抑制剂并说明依据 |
| 细则 −8 | eGFR 下降时仍上调二甲双胍剂量 |
arXiv2506.22405 MAI-DxOSequential Diagnosis with Language ModelsNEJM 疑难病例 304 例 · 检查带费用Microsoft AINori H … King D, Horvitz E预印本
- 用的数据
- 2017–2025 年《新英格兰医学杂志》304 例临床病理讨论病例,改写为逐步揭示的诊疗过程,每项检查标注费用。
- 做什么
- 模型像医生一样逐步问诊、开检查,由“守门人”模型按需释放信息,最后给出诊断,按准确率与检查花费综合评价;MAI-DxO 配合 o3 准确率 80%–85.5%,参与对照的 21 名医生约 20%。
- 复现所需
- 完整病例事实库(主诉、病史、体征、检查结果)、可开检查目录及价格、金标准诊断。
- 古脉对应
- 从真实住院病例整理病史、体征与全部检查结果,配本地检查收费标准与出院诊断,构造中文逐步诊断病例。
样例:一例逐步诊断合成数据
| 初始信息 | 女,34 岁,发热 3 周,关节痛 |
| 问诊 | 有无皮疹? → 面部红斑,日晒后加重 |
| 检查 ¥25 | 血常规 → 白细胞 3.1×10⁹/L,血小板 88×10⁹/L |
| 检查 ¥120 | 抗核抗体 → 1:640 均质型 |
| 检查 ¥150 | 抗双链 DNA 抗体 → 阳性 |
| 诊断 | 系统性红斑狼疮(正确)· 累计花费 ¥295 |
arXiv2312.00164 AMIE 鉴别诊断Towards accurate differential diagnosis with large language modelsNEJM 疑难病例 302 例 · 20 名医生对照Google Research、Google DeepMindMcDuff D … Karthikesalingam A, Natarajan VNature 2025
arXiv 2312.00164Nature 2025 正式版
- 用的数据
- 《新英格兰医学杂志》302 例疑难病例报告;20 名临床医生随机分为“仅用搜索与常规资料”和“另加 AMIE 辅助”两组。
- 做什么
- 模型读完整病例,给出鉴别诊断清单;单独使用时前 10 位准确率 59.1%,未辅助医生 33.6%;医生有 AMIE 辅助时 51.7%,仅用搜索时 44.4%。
- 复现所需
- 完整病例叙述与确诊诊断,加专科医生对鉴别诊断清单的质量评分。
- 古脉对应
- 住院疑难病例整理为完整病例叙述,配出院确诊诊断与病理结果;专科医生评审鉴别诊断清单。
样例:一例鉴别诊断合成数据
| 病例 | 男,46 岁,发热 2 周伴腰背痛;3 周前拔牙;查体新出现心尖区收缩期杂音 |
| 检验 | C 反应蛋白 86 mg/L · 血红蛋白 108 g/L |
| 模型清单 | 1 感染性心内膜炎 · 2 化脓性脊柱炎 · 3 淋巴瘤 · …(共 10 项) |
| 确诊 | 感染性心内膜炎(血培养草绿色链球菌,超声见二尖瓣赘生物) |
| 评分 | 第 1 位命中 · 专科医生评清单质量 4/5 |
DOI10.1038/s41591-024-03097-1 MIMIC-CDMEvaluation and mitigation of the limitations of large language models in clinical decision-makingMIMIC-IV 2,400 例急腹症慕尼黑工业大学、帝国理工学院Hager P … Kaissis G, Rueckert DNature Medicine 2024
- 用的数据
- MIMIC-IV 中 2,400 例真实病例,覆盖阑尾炎、胰腺炎、胆囊炎、憩室炎四种腹部疾病;模型按需逐步调取病史、查体、检验与影像报告。
- 做什么
- 评测大模型在真实诊疗流程中自主决策:选择检查、给出诊断与治疗;四种疾病上诊断准确率均比医生低 16–25 个百分点(医生平均 87.5%–92.5%)。
- 复现所需
- 真实就诊记录拆分为病史、查体、检验、影像报告文本并按顺序释放,配最终诊断与按指南核对的治疗标签。
- 古脉对应
- 急诊与住院病历按就诊顺序拆分为病史、查体、检验、检查报告,配出院诊断与手术、用药记录。
样例:一例逐步决策合成数据
| 病史 | 女,52 岁,右上腹痛 1 天,进油腻食物后加重,伴恶心 |
| 查体 | 墨菲征阳性,体温 38.2℃ |
| 调取检验 | 白细胞 13.6×10⁹/L · 总胆红素 22 μmol/L · 脂肪酶正常 |
| 调取影像 | 超声:胆囊壁增厚 5 mm,胆囊颈结石嵌顿 |
| 诊断 | 急性结石性胆囊炎(正确) |
| 治疗 | 抗感染 + 腹腔镜胆囊切除术(与指南一致) |
医学推理与强化学习3 篇
以可核验的答案或评分细则作为奖励,训练模型的医学推理。
arXiv2509.02208 Baichuan-M2Baichuan-M2: Scaling Medical Capability with Large Verifier System去标识化病历构建患者模拟器 · 评分细则百川智能Baichuan-M2 Team预印本
- 用的数据
- 由去标识化病历构建的患者模拟器,加自动生成、医生校验的多维评分细则;在 Qwen2.5-32B 上做强化学习。
- 做什么
- 模型与模拟患者多轮问诊,以评分细则打分作为奖励;HealthBench Hard 得分超过 32。
- 复现所需
- 带完整病史的病例(用作患者人设与隐藏信息)、多维评分细则、问诊对话样本。
- 古脉对应
- 中文真实病例改写为患者档案(主诉、隐藏病史、性格设定),专科医生审定评分细则。
样例:患者档案与评分细则合成数据
| 患者档案 | 男,58 岁;主诉:胸闷 2 天 |
| 隐藏信息 | 吸烟 30 年;父亲 55 岁心梗;活动后加重 |
| 性格设定 | 焦虑,回答简短,需追问才说出家族史 |
| 细则 +6 | 追问胸闷与活动的关系 |
| 细则 +6 | 询问心血管家族史 |
| 细则 +8 | 建议尽快就医并做心电图 |
| 细则 −10 | 未排查心源性原因即归为焦虑 |
arXiv2412.18925 HuatuoGPT-o1HuatuoGPT-o1, Towards Medical Complex Reasoning with LLMs4 万道可核验医学题香港中文大学(深圳)Chen J … Hou J, Wang B预印本
- 用的数据
- 从 MedQA-USMLE 与 MedMCQA 的 19.2 万道题中筛出 4 万道答案唯一、可核验的开放题,2 万道用于监督微调、2 万道用于强化学习。
- 做什么
- 由核验器引导搜索推理链做微调,再以核验器打分作为奖励做强化学习;8B 模型在医学基准上提升 8.5 分。
- 复现所需
- 答案唯一、可自动核验的临床开放题,加答案核验器。
- 古脉对应
- 由真实病例改写为答案唯一的中文临床开放题(诊断、用药、下一步检查),以病历中实际的诊断与处置作为可核验答案,医生抽检。
样例:一道可核验的开放题合成数据
| 题目 | 女,28 岁,孕 32 周,血压 162/108 mmHg,尿蛋白 2+,头痛、视物模糊。首选降压药? |
| 参考答案 | 拉贝洛尔 |
| 核验 | 答“拉贝洛尔”奖励 1;答“依那普利”奖励 0(孕期禁用) |
| 来源 | 改写自一份产科住院病历 |
arXiv2510.25628 EHR-R1EHR-R1: A Reasoning-Enhanced Foundational Language Model for Electronic Health Record Analysis30 万条推理样本 · 42 项病历任务上海交通大学、蚂蚁集团Liao Y … Wang Y, Xie W预印本
- 用的数据
- EHR-Ins 指令集:30 万条推理样本与数百万条非推理样本,覆盖 42 项病历任务;新建的 EHR-Bench 基于 MIMIC-IV,另在 MIMIC-IV-CDM 与 EHRSHOT 上测试。
- 做什么
- 先从病历实体及其时间、因果关系构成的“思维图”生成推理数据,再经领域适应、推理增强与强化学习训练,最大 720 亿参数;在 EHR-Bench 上超过 GPT-4o 30 多分,EHRSHOT 零样本 AUROC 高 10%。
- 复现所需
- 纵向病历时间线与决策标签(诊断、用药、检查),加带时间与因果关系的实体图。
- 古脉对应
- 病历事件模型给出按时间排列的诊断、用药、检查事件;肺癌临床本体以治疗决策为节点串起时间与因果关系。
样例:一段时间线与因果关系合成数据
| 时间线 | 第 0 天 CT:右肺上叶肿块 → 第 9 天 穿刺:腺癌,EGFR 19 外显子缺失 → 第 14 天 分期 IVA |
| 关系 | EGFR 19 外显子缺失 —支持→ 一线奥希替尼 |
| 关系 | 第 320 天 新发骨转移,评估进展 —导致→ 换二线治疗 |
| 任务 | 第 14 天时推荐的一线治疗? |
| 答案 | 奥希替尼(依据:EGFR 敏感突变,ECOG 1) |
影像与报告生成5 篇
CT、胸片与放射科报告、诊断编码联合训练,理解或生成影像报告。
arXiv2403.17834 CT-CLIPGeneralist foundation models from a multimodal dataset for 3D computed tomography胸部 CT 25,692 例 · 逐例配报告苏黎世大学、慕尼黑工业大学等Hamamci IE … Ozdemir MK, Menze BNat Biomed Eng 2026
arXiv 2403.17834Nat Biomed Eng 2026 正式版
- 用的数据
- CT-RATE:21,304 名患者的 25,692 例非增强胸部 CT,每例配放射科报告;另由此生成 270 万组问答用于对话模型。
- 做什么
- CT 与报告对比学习预训练,零样本检测多种异常、以图检索病例;CT-CHAT 支持针对三维 CT 的对话问答。
- 复现所需
- 三维胸部 CT 原始序列、对应报告文本、逐例多标签异常。
- 古脉对应
- 胸部 CT 与对应放射科报告配对,医生逐例标注异常标签;已完成 600 例胸部 CT 三维分割标注交付。
样例:一例 CT 与报告配对合成数据
| 影像 | CT_0412 · 512×512×298 · 层厚 1.0 mm · 平扫 |
| 报告 | 右肺上叶尖段见磨玻璃结节,约 8 mm;双肺下叶少许纤维条索;纵隔未见肿大淋巴结。 |
| 阳性标签 | 肺结节 · 磨玻璃影 · 纤维条索 |
| 阴性标签 | 肺气肿 · 胸腔积液 · 淋巴结肿大 · 心包积液 |
arXiv2406.06512 MerlinMerlin: a computed tomography vision-language foundation model and dataset腹部 CT 15,331 例 · 诊断编码 180 万条 · 报告StanfordBlankemeier L … Gatidis S, Chaudhari ASNature 2026
arXiv 2406.06512Nature 2026 正式版
- 用的数据
- 15,331 例腹部 CT(600 多万张图像),配 180 多万条病历诊断编码与放射科报告;另在 3 家机构与 2 个公开数据集共 44,098 例 CT 上外部测试。
- 做什么
- 以诊断编码和报告文本共同监督三维 CT 编码器,评估 752 项任务:所见与表型分类、跨模态检索、报告生成、20 个器官分割、6 种慢病 5 年发病预测。
- 复现所需
- CT 与同一患者的诊断编码、报告逐例关联;扫描后数年的新发诊断作为预后标签。
- 古脉对应
- CT 检查按患者关联门诊与住院诊断、报告原文及其后多年的随访诊断,按检查时间切分,防止后见信息泄漏。
样例:一例 CT 与前后诊断关联合成数据
| 检查 | 2019-06-12 上腹部 CT 平扫 + 增强 |
| 报告 | 肝内多发低密度灶,考虑囊肿;胰腺未见异常。 |
| 当时诊断 | K76.8 · E11.9 · I10 |
| 5 年内新发 | 2022-03 N18.3 慢性肾脏病 3 期 |
| 5 年内新发 | 2023-11 I25.1 冠状动脉粥样硬化性心脏病 |
arXiv2311.18260 Flamingo-CXRCollaboration between clinicians and vision–language models in radiology report generationMIMIC-CXR 22.8 万份报告Google DeepMindTanno R … Karthikesalingam A, Ktena INature Medicine 2025
arXiv 2311.18260Nature Medicine 2025 正式版
- 用的数据
- MIMIC-CXR 37.7 万张胸片、22.8 万份报告用于训练;印度 IND1 数据集 7,995 份报告作测试;美国与印度共 27 名放射科医生参与评审。
- 做什么
- 由胸片生成放射报告,并研究医生与模型协作写报告;门诊与住院病例中 77.7% 的生成报告被过半评审认为不劣于原报告,ICU 病例为 56.1%。
- 复现所需
- 影像与报告配对,加放射科医生的结构化偏好与错误标注。
- 古脉对应
- 检查报告原文与影像检查逐例关联;放射科医生按结构化表单评审报告的错误类型与严重程度。
样例:一份报告与评审合成数据
| 影像 | 胸部正位片 · 住院 · 2023-05-17 |
| 原报告 | 右下肺野斑片影,考虑炎症;心影稍大。 |
| 生成报告 | 右下肺野斑片影,考虑肺炎;心胸比约 0.55。 |
| 评审 | 偏好:两者相当 · 无临床显著错误 · 轻微遗漏:未提主动脉迂曲 |
arXiv2406.04449 MAIRA-2MAIRA-2: Grounded Radiology Report Generation22.6 万患者 · 51 万个样本微软研究院Bannur S … Alvarez-Valle J, Hyland SL预印本
- 用的数据
- MIMIC-CXR、PadChest、美国私有数据集 USMix 与 GR-Bench 共 226,077 名患者的 510,848 个样本;输入含当前与既往胸片、既往报告、检查指征、技术与对比说明。
- 做什么
- 生成带定位的放射报告:每句所见配图像上的方框;定位精确率在 GR-Bench 上 68.8%,在 PadChest-GR 上 80.2%。
- 复现所需
- 当前与既往检查及既往报告、检查指征,每句所见配方框标注。
- 古脉对应
- 同一患者多次影像检查与报告按时间关联,指征取自检查申请;可由医生补充逐句方框标注。
样例:一次复查的带定位报告合成数据
| 指征 | 慢阻肺急性加重,复查 |
| 既往报告 | 2024-01-10:双肺气肿,右下肺斑片影 |
| 本次所见 | 右下肺斑片影较前吸收 · 方框 [0.58, 0.62, 0.81, 0.85] |
| 本次所见 | 双肺透亮度增高,符合肺气肿 · 无方框 |
arXiv2308.02463 RadFMTowards generalist foundation model for radiology by leveraging web-scale 2D&3D medical data1,300 万张二维图像 · 61.5 万例三维扫描上海交通大学、上海人工智能实验室Wu C … Wang Y, Xie WNat Commun 2025
arXiv 2308.02463Nat Commun 2025 正式版
- 用的数据
- MedMD 数据集,其中新收集 1,300 万张二维图像与 61.5 万例三维扫描,均配文本;并建立放射基准 RadBench。
- 做什么
- 统一的放射通用模型,支持二维与三维输入,做诊断、视觉问答、报告生成与依据性诊断;在 RadBench 上优于 GPT-4V。
- 复现所需
- 三维 CT 体数据与报告文本配对,加诊断标签。
- 古脉对应
- 胸部 CT 与对应报告配对,医生逐例标注诊断;已完成 600 例胸部 CT 三维分割标注交付。
样例:一例三维 CT 问答合成数据
| 影像 | 胸部 CT 平扫 · 三维 · 层厚 1.25 mm |
| 问题 | 左肺下叶病灶的性质? |
| 答案 | 实性结节约 14 mm,分叶、毛刺,考虑恶性可能 |
| 报告 | 左肺下叶背段实性结节,约 14 mm,边缘分叶并见毛刺,建议增强 CT 或活检。 |
| 诊断标签 | 肺结节(高危) |
临床试验与真实世界证据2 篇
读取患者病历,逐条判断是否符合临床试验的入排标准。
arXiv2307.15051 TrialGPTMatching patients to clinical trials with large language models183 名合成患者 · 7.5 万条试验标注美国国家医学图书馆、伊利诺伊大学Jin Q … Sun J, Lu ZNat Commun 2024
arXiv 2307.15051Nat Commun 2024 正式版
- 用的数据
- 三个队列共 183 名合成患者,逾 7.5 万条患者与试验的标注;另人工复核 1,015 组患者与入排标准对。
- 做什么
- 大模型逐条判断患者是否满足试验入排标准,再汇总排序推荐试验;单条标准判断准确率 87.3%,筛选用时减少 42.6%。
- 复现所需
- 患者病情摘要与试验入排标准,配逐条标准的符合性标签。
- 古脉对应
- 由病历生成患者摘要,按国内注册试验的入排标准,由医生逐条标注符合、不符合或信息不足。
样例:一位患者的逐条判断合成数据
| 患者摘要 | 男,63 岁,非小细胞肺癌 IIIB 期,ECOG 1,肌酐清除率 72 mL/min,未接受过免疫治疗 |
| 入选 | 年龄 18–75 岁 → 符合 |
| 入选 | ECOG 0–1 → 符合 |
| 排除 | 既往接受过 PD-1 抑制剂 → 不排除 |
| 排除 | 活动性脑转移 → 信息不足 |
| 结论 | 初筛可入组,需补做脑 MRI |
arXiv2404.15549 PRISMPRISM: Patient Records Interpretation for Semantic clinical trial Matching system using large language models50 名癌症患者的 1 万份病历Triomics、威斯康星医学院、匹兹堡大学Gupta S … Wang Y, Singh Hnpj Digit Med 2024
arXiv 2404.15549npj Digit Med 2024 正式版
- 用的数据
- 美国一家癌症中心的真实病历:50 名患者的 1 万份病历文本,转化为 720 个入排标准问题,由 5 名医生复核;另在 98 名患者、每人 10 个试验上测试排序。
- 做什么
- 140 亿参数的 OncoLLM 直接读取患者全部病历回答入排标准;标准准确率 63%(GPT-3.5 为 53%,GPT-4 为 68%),65.3% 的患者正确试验排在前 3 位。
- 复现所需
- 每位患者的全部纵向病历(约 100–200 份)与试验入排标准,配医生标注的逐条答案。
- 古脉对应
- 肿瘤患者多年门诊、住院、病理与影像报告按时间排列;医生按入排标准逐条标注,并注明依据所在的病历片段。
样例:一位患者的标准与病历依据合成数据
| 患者 | 乳腺癌 · 共 146 份病历(2019–2024) |
| 标准 | HER2 阳性 → 是 · 依据:2019-07-02 病理,免疫组化 3+ |
| 标准 | 既往接受过曲妥珠单抗 → 是 · 依据:2019-08 起化疗医嘱 |
| 标准 | 左室射血分数 ≥ 50% → 是 · 依据:2024-03-11 超声心动图,58% |
| 标准 | 脑转移稳定 ≥ 4 周 → 信息不足 |
人机协作与临床评估2 篇
医生在有无模型辅助的条件下作答,由专家按评分细则盲评。
DOI10.1001/jamanetworkopen.2024.40969 大模型辅助诊断 RCTLarge Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial50 名医生 · 临床病例 · 结构化评分Stanford、贝斯以色列女执事医疗中心Goh E … Rodman A, Chen JHJAMA Netw Open 2024
- 用的数据
- 50 名医生(主治 26 名、住院医师 24 名)随机分组,每人最多完成 6 个临床病例,由专家按结构化诊断推理量表盲评。
- 做什么
- 比较医生使用大模型与仅用常规资料时的诊断推理得分:76% 对 74%,差异不显著;模型单独作答比常规资料组高 16 个百分点。
- 复现所需
- 由真实病例改写的临床病例,加诊断推理评分量表(鉴别诊断、支持与反对证据、下一步检查),由医生盲评。
- 古脉对应
- 由真实病历改写临床病例,医生网络撰写评分量表并组织双盲评分。
样例:一个病例与评分量表合成数据
| 病例 | 女,67 岁,乏力 2 个月,近 1 周双下肢水肿;血钙 3.1 mmol/L,血红蛋白 92 g/L,肌酐 168 μmol/L |
| 鉴别诊断 | 列出多发性骨髓瘤 +2 |
| 支持证据 | 高钙、贫血、肾功能不全 +2 |
| 反对证据 | 指出甲旁亢可解释高钙但难以解释贫血 +1 |
| 下一步 | 血清蛋白电泳与免疫固定电泳 +2 |
| 评分 | 两名医生盲评,取平均 |
DOI10.1038/s41591-024-03456-y GPT-4 辅助管理 RCTGPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial92 名医生 · 5 个真实病例Stanford、贝斯以色列女执事医疗中心Goh E … Chen JH, Rodman ANature Medicine 2025
- 用的数据
- 92 名医生随机分组,完成 5 个由真实去标识化就诊改写、按时间逐步展开的病例,评分细则由专家撰写。
- 做什么
- 比较医生有无 GPT-4 辅助时的管理推理表现:总分提高 6.5 个百分点(95% CI 2.7–10.2,P < 0.001)。
- 复现所需
- 按时间逐步展开的真实就诊病例,加医生撰写并评分的管理细则(治疗、检查、风险沟通)。
- 古脉对应
- 从长病程中截取按时间展开的就诊片段,医生网络撰写管理细则并评分。
样例:一个分段病例与管理细则合成数据
| 第 1 段 | 男,71 岁,新发房颤,CHA₂DS₂-VASc 4 分,肌酐清除率 45 mL/min。是否抗凝? |
| 第 2 段 | 2 周后黑便 1 次,血红蛋白 118 → 101 g/L。如何调整? |
| 细则 +3 | 启动抗凝并说明卒中风险依据 |
| 细则 +2 | 按肾功能选择药物与剂量 |
| 细则 +3 | 出血后暂停抗凝并安排胃镜 |
| 细则 −3 | 未评估出血风险即加用抗血小板药 |
编号优先取 arXiv,其次 medRxiv,都没有的取正式发表的 DOI;论文信息已于 2026 年 11 月对照原文核对,规模取论文口径。样例均为合成数据,只示意格式,不对应真实患者。