CASE：让医疗智能体主动寻找纵向证据

传统医疗 AI 评测通常把病历摘要、影像或其他相关材料预先整理好，再要求模型给出答案。这类设置能够测试模型如何解释证据，却很难回答一个更接近真实临床工作的问题：面对不完整、分散且跨时间的信息，模型是否知道下一步应该寻找什么？

CASE（Clinical Agents for Seeking Evidence）正是围绕这一缺口设计。它把医疗推理拆成“发现证据”和“基于证据下结论”两个相互关联的过程。智能体并非只能阅读系统指定的材料，而是可以在患者环境中自主决定查看哪些随访时间点、哪些器官和 MRI 序列、哪些图像切片，以及是否调用相应的专业工具，然后将不同时间的观察结果进行比较。

核心要点

• 更贴近纵向医疗场景的基准。 研究基于 UK Biobank 构建了包含 4,739 名参与者、50,401 个临床问题的数据集。问题来自真实世界的 ICD-10 编码诊断，并关联患者临床背景以及基线和随访阶段的多序列 MRI。
• 角色化、工具化的智能体框架。 CASE 为不同任务设置临床角色和工具调用能力，使紧凑型视觉语言模型能够执行有选择性的证据搜索，而不是机械地按固定顺序浏览全部资料。
• 训练目标从模仿答案转向学习调查策略。 研究先利用 14,734 条前沿模型交互轨迹进行监督微调，再让学习模型在自己的患者环境中开展智能体强化学习。配合特权信息驱动的在线策略自蒸馏，以及基于评分标准的语言模型反馈，训练重点放在证据到结论的推理质量，同时不规定唯一的工具使用路径。

作者报告称，在匹配评测条件下，基于 Qwen3-VL-8B 的 CASE 智能体相较 GPT-5.4 和 Claude Opus 4.8，答案准确率分别实现超过 16% 和 10% 的相对提升。这里的价值不只是某个模型在单一数据集上得分更高，更在于评测对象发生了变化：模型需要展示如何查找证据，而不是只对给定证据作答。

这一方向对医疗智能体研究有两层意义。第一，它把工具选择、跨时点对照和多模态信息整合纳入了能力评价，能够更好暴露模型在检索范围、证据遗漏和时序理解上的问题。第二，CASE 的训练思路试图保留模型自主规划工具调用的空间，避免把专家流程简单固化为一串操作。不过，基准建立在特定数据环境和 MRI 任务之上，研究结果能否迁移到其他医院、病种和真实临床流程，仍需要进一步验证。它更像是迈向可审计医疗智能体的一步，而不是对临床部署安全性的最终证明。

来源：Hugging Face Daily Papers