💬 NLP

MedAction: Towards Active Multi-turn Clinical Diagnostic LLMs

本文介绍了 MedAction，这是一种树状蒸馏流程，它利用基于知识图谱的指标生成高质量的多轮临床诊断轨迹，以解决现有大语言模型在主动诊断方面的局限性，从而产出了 MedAction-32K 数据集和最先进的开源医疗模型。

原作者： Hsin-Ling Hsu, Zizheng Wang, Donghua Zhang, Nai-Chia Chen, Jerry Wang, Jun-En Ding, Chia-Hsuan Hsu, Guoan Wang, Feng Liu, Fang-Ming Hung, Chenwei Wu, Liyue Shen

发布于 2026-05-11

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hsin-Ling Hsu, Zizheng Wang, Donghua Zhang, Nai-Chia Chen, Jerry Wang, Jun-En Ding, Chia-Hsuan Hsu, Guoan Wang, Feng Liu, Fang-Ming Hung, Chenwei Wu, Liyue Shen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文 MedAction 的通俗解释，辅以日常类比。

核心问题：“全知者”与“真实侦探”

想象你在玩一场医疗谜案游戏。

旧模式（静态诊断）： 游戏主持人递给你一份巨大的文件夹，里面包含患者所有的线索——症状、验血报告、X 光片以及家族病史。你只需阅读文件夹并猜测疾病。目前大多数 AI 模型都是这样训练的。它们擅长阅读一个完整的故事并猜测结局。
现实世界（主动诊断）： 在现实生活中，医生不会拿到一个巨大的文件夹。他们起初只有几条线索（例如：“我发烧且咳嗽”）。他们必须决定：接下来该安排什么检查？ 然后获得结果，更新猜测，并决定下一个检查。这是一个经过多轮交互的来回对话过程。

该论文指出，当前的 AI 在这个“现实世界”版本中表现糟糕。这就像一名侦探，当所有证据都已摆在桌面上时，他擅长破案；但一旦需要亲自外出寻找证据，他就僵住了。

AI 失败的三种方式（“坏侦探”的习惯）

作者分析了 AI 为何在主动过程中失败，并发现了三种具体的坏习惯：

“随机猜测”习惯（无依据的检查安排）：
- 类比： 想象一名侦探，仅仅因为心血来潮，就去调查嫌疑人在另一个城市发生的犯罪案件的不在场证明。
- 现实： AI 安排的医疗检查与其当前的理论毫无关系。它毫无逻辑地选择某项检查。
“固执”习惯（不可靠的诊断更新）：
- 类比： 一名侦探坚信是管家干的。即使证明管家在案发时身在巴黎，侦探仍拒绝改变想法，继续指责管家。或者，他们在毫无逻辑的情况下在嫌疑人之间反复横跳。
- 现实： 当新的检查结果与 AI 的初步猜测相矛盾时，AI 要么无视新证据，要么惊慌失措，直接跳转到完全无关的诊断。
“健忘”习惯（多轮对话连贯性退化）：
- 类比： 一名侦探在进行了五轮询问后，忘记已经检查过嫌疑人的指纹，又要求再次检查。
- 现实： 随着对话变长，AI 忘记了它已经安排了哪些检查或结果是什么，导致重复和混乱的循环。

解决方案：MedAction（“训练模拟器”）

为了解决这个问题，作者构建了MedAction。请将其视为医生的飞行模拟器，而非教科书。

AI 不再仅仅阅读病例文件，而是被置于一个虚拟诊所中，必须“行动”。

环境： 他们将真实的医疗病例报告转化为游戏。AI 看到患者的初始陈述，但无法看到检查结果。
交互： AI 必须说：“我认为是肺炎，所以我想安排胸部 X 光检查。”模拟器随后给出结果。AI 更新猜测并请求下一项检查。
树状结构： 为了使训练数据多样化，他们没有让 AI 只走一条路径，而是让它像树一样分叉。如果 AI 陷入困境或走入歧途，他们允许它从同一点尝试不同的策略。这教会了 AI 解决问题有多种途径。

质量控制：“真理罗盘”

他们如何知道 AI 正在以正确的方式学习，而不仅仅是在死记硬背游戏？他们基于医疗知识图谱（疾病与检查之间相互关系的巨大地图）发明了两种“真理罗盘”（指标）：

DTC（疾病轨迹一致性）： 这检查 AI 是否每一步都在接近正确答案。如果 AI 从猜测“流感”变为“断腿”，再变为“太空病毒”，罗盘会疯狂旋转，该数据将被丢弃。如果它从“流感”移动到“肺炎”，再到“确诊肺炎”，罗盘指向笔直，该数据将被保留。
RAC（推理 - 行动一致性）： 这检查 AI 的行动是否合乎逻辑。AI 安排血液检查是否因为患者发烧？如果 AI 仅仅因为心血来潮而安排血液检查，罗盘会将其标记为“无依据”，该步骤将被删除。

结果：更聪明、更小的 AI

作者利用这个"MedAction"模拟器训练了一个相对较小的 AI 模型（80 亿参数）。

惊喜： 通常，你需要一个巨大的、超级计算机级别的 AI 才能击败专家。但由于这个小 AI 是在高质量、交互式数据上训练的（学习如何行动，而不仅仅是如何思考），它在这些主动诊断任务中表现优于更大的模型，甚至优于一些最大的商业 AI 模型。
启示： 关键在于大脑的大小，而在于它接受训练以执行工作的程度。一名在真实模拟器中受训的小侦探，胜过一名只读书的巨型侦探。

总结

该论文介绍了一种训练医疗 AI 的新方法。与其向 AI 灌输完整的病例文件，不如将其置于虚拟诊所中，让它逐步安排检查并更新猜测。通过使用严格的“罗盘”来过滤错误的猜测和不当的检查安排，他们创建了一个数据集，教导 AI 如何成为一名真正的、主动的诊断师。其结果是一个更小、更高效的 AI，在实时解决医疗谜案方面表现出惊人的能力。

技术摘要：MedAction：迈向主动式多轮临床诊断大语言模型

1. 问题定义

当前医学领域的大语言模型（LLMs）主要在静态、单轮基准测试（如 MedQA、MedMCQA）上进行评估，这些测试在开始时即提供完整的患者记录（包括实验室检查、影像学和生命体征）。这种设置过度简化了真实的临床实践，因为在现实中，诊断是一个主动的、迭代的过程。临床医生从不完整的信息（主诉和体格检查）开始，迭代地开具检查以消除不确定性，解读结果，并在多轮交互中逐步缩小鉴别诊断（DDx）范围。

作者指出了一个关键差距：现有模型被训练为基于完整信息进行推理，但缺乏在演变的、部分证据下采取行动的能力。最近的一项研究（Qiu 等人，2025）指出，当在主动诊断任务上评估包括智能体模型和专科模型在内的最先进模型时，其性能会出现急剧下降。通过系统分析，该论文识别出当前大语言模型中三种反复出现的失败模式：

无依据的检查开具：模型开具检查时与其 stated 假设缺乏明确联系，缺乏针对病例的临床推理。
不可靠的诊断更新：模型未能根据新证据适当更新其鉴别诊断，要么尽管存在矛盾数据仍僵化地坚持初始假设，要么在不相关的诊断之间 erratic 地切换。
多轮连贯性下降：随着交互的延长，模型会丢失已开具的检查、已获取的结果以及未解决的不确定性，导致在更长上下文中的不一致性。

2. 方法论：MedAction 流程

为解决这些缺陷，作者引入了MedAction，这是一个利用公开可用的医学文献（PMC 病例报告）自动构建高质量、多轮主动诊断训练数据的框架。该流程包含三个阶段：

阶段 1：临床环境构建

原始病例报告被转化为交互式临床环境（ $E$ ）。大语言模型提取：

初始观察（ $o_1$ ）：主诉、病史和体格检查。
检查菜单（ $M$ ）：病例中记录的可进行检查的集合。
神谕函数（ $f$ ）：一个函数，返回已开具检查的记录结果，若源文本中不存在则标记为 UNAVAILABLE，以此模拟部分可观测性。

阶段 2：多轮推理 - 行动轨迹蒸馏

最先进的大语言模型教师与这些环境交互，生成诊断轨迹。与假设信息完整的标准思维链（CoT）不同，MedAction 在每一轮强制实施明确的推理 - 行动模式：

分析：生成带有置信度估计的排序鉴别诊断（ $b_t$ ）。
识别：陈述区分主要假设的关键剩余不确定性（ $p_t$ ）。
选择：选择由不确定性证明合理的检查（ $a_t$ ）。
观察：从神谕处接收结果（ $r_t$ ）。

为了最大化多样性，该流程采用树状采样，从现有轨迹的中间状态启动分支 rollout，以从同一证据状态捕捉多种有效的诊断策略。

阶段 3：基于知识图谱的过滤

为了提炼高质量数据，作者提出了两个基于医学知识图谱（PrimeKG 和 ClinGraph）的指标来过滤轨迹：

疾病轨迹一致性（DTC）：衡量模型当前首要假设与真实诊断在 PrimeKG 上的最短路径距离。如果轨迹显示向正确答案收敛（DTC 降低），则予以保留。部分正确但最终收敛的轨迹被保留，而发散的轨迹则被剪枝。
推理 - 行动一致性（RAC）：衡量开具的检查是否在 ClinGraph 上推动了鉴别诊断的有意义变化。它验证信念更新是否由证据驱动。移除那些假设转变与收集到的证据无关的轮次。

该过程生成了MedAction-32K，这是一个源自 2,896 个 PMC 病例的包含 32,681 条轨迹的数据集。

3. 主要贡献

新定义与失败分析：该论文将临床诊断重新定义为具有迭代检查开具的多轮主动设置，并识别了三种具体的失败模式（无依据的开具、不可靠的更新和连贯性下降），解释了当前模型的局限性。
数据集构建与指标：作者引入了树状蒸馏流程，并发布了MedAction-32K（训练集）和MedAction-300 Hard（一个包含 300 个需要更长轨迹的罕见病病例的测试集）。他们还提出了 DTC 和 RAC 指标，用于严格的数据过滤和评估。
高效且有效的模型：在 MedAction-32K 上微调一个 80 亿参数模型（II-Medical-8B），使其在主动诊断基准测试中在开源模型中取得了最先进的性能，证明了高质量轨迹数据带来的提升比单纯增加模型规模更大。

4. 实验结果

作者将其 80 亿参数模型（II-Medical-8B SFT）与开源通用模型（如 Qwen-QwQ 32B）、闭源模型（如 GPT-5.4、OpenAI-o3-mini）以及医学领域模型（如 MedGemma 27B、Baichuan-M3 235B）进行了评估。

性能：在MedR-Bench和精心策划的MedAction-300-Hard基准测试上，经过 MedAction 训练的 80 亿参数模型在开源模型中取得了最高的诊断准确率，超过了 2350 亿参数的 Baichuan-M3 教师模型。
检查推荐：该模型在检查开具方面表现出持续的高精确率和召回率，解决了基础模型中观察到的“无依据检查开具”失败模式。
消融研究：
- 黄金标准与蒸馏：仅使用“黄金”轨迹（直接从病例报告重构）进行训练未能改善推理能力；基于环境交互的蒸馏至关重要。
- 格式灵活性：混合少量（10%）自由形式的轨迹防止了对僵化输出模式的过拟合，并提高了检查推荐的质量。
- 多样性：多教师多样性（结合 GPT 和 Baichuan 教师）和多分支采样显著提高了性能，前提是过滤掉低质量轨迹。
- 过滤策略：提出的DTC+RAC 过滤优于简单的“仅正确性”过滤。它从部分正确的轨迹中恢复了有用的中间推理，减少了无依据的行动，从而带来了更好的数据效率和扩展性。

5. 意义与主张

该论文声称，当前医学大语言模型的核心缺陷在于缺乏在部分证据下采取行动的训练。通过将静态问答转变为主动的、多轮的诊断模拟，MedAction 赋予了模型依次决定收集哪些信息以及如何更新假设的能力。

作者强调，对于此任务，数据质量和结构比单纯的模型规模更为关键。他们经过精心蒸馏和过滤的多轮轨迹训练的 80 亿参数模型，超越了规模大得多的模型（包括 2350 亿和 270 亿参数模型），并接近顶级闭源模型的性能。这项工作为开发真正反映医学诊断迭代性质的临床决策支持工具提供了基础框架，并有望扩展到强化学习后训练方法。