【AI+医疗】AI医生养成记：让大模型掌握临床诊断的动态推理过程！

上海交通大学等团队提出"环境-智能体"训练框架，创建DiagGym虚拟临床环境和DiagAgent诊断智能体，通过端到端强化学习让AI掌握动态诊断能力。团队还构建了DiagBench评测基准（750个病例，973条评估准则）。实验显示，该框架训练的智能体在多轮诊断流程管理能力上显著优于DeepSeek、Claude-4等先进模型，实现了从静态问答到动态决策的AI诊断范式转变。

我算是程序猿

348人浏览 · 2025-11-27 14:32:11

我算是程序猿 · 2025-11-27 14:32:11 发布

临床诊断并非一次性的「快照」，而是一场动态交互、不断「探案」的推理过程。然而，当下的大模型大多基于静态数据训练，难以掌握真实诊疗中充满不确定性的多轮决策轨迹。如何让AI学会「追问」、选择检查，并一步步抽丝剥茧，迈向正确诊断？

来自上海交通大学人工智能学院、上海人工智能实验室、蚂蚁集团与北京大学的联合团队提出了全新的「环境—智能体」训练框架。他们构建了面向医学诊断的世界模型 DiagGym，并在其中训练可自主演进的诊断智能体 DiagAgent。在该框架中，诊断智能体可以在安全可控的虚拟世界中反复探索，通过与虚拟病人的交互反馈持续优化自身的动态决策策略。

研究团队还设计了聚焦诊断推理过程的评测基准 DiagBench。该基准共包含 750 个病例，提供了经医生验证的中间检查推荐和最终诊断结果；其中有 99 个病例，另外由医生手工撰写了 973 条关于诊断过程的详细评估准则。在 DiagBench 上的实验结果显示，该框架下训练得到的诊断智能体在 DiagAgent 多轮诊断流程管理能力方面，显著优于 DeepSeek、Claude-4 等先进模型。

代码、模型、测试数据均已全部开源。

论文标题：Evolving Diagnostic Agents in a Virtual Clinical Environment
论文链接：https://arxiv.org/abs/2510.24654
代码仓库：https://github.com/MAGIC-AI4Med/DiagGym

问题背景：

从静态问答到动态决策，AI 诊断需要主动问询

真实的临床诊断是一个复杂的多轮决策过程：医生需要根据不完整的初步信息，提出一系列可能的鉴别诊断，然后主动选取、推荐一系列的检验检查「轨迹」来逐步排除或确认，最终在信息充足时做出诊断。

然而，当前多数医疗 LLM 的训练范式更像是在做「开卷考试」——它们基于静态、完整的病历数据进行指令微调。这种模式忽略了诊断过程中的交互性和长期策略性，导致模型难以处理真实诊疗中的三大核心挑战：

主动探索：如何主动选择下一步检查？
动态调整：如何根据新的检查结果更新诊断假设？
适时收敛：何时应该停止检查并给出最终诊断？

为了攻克这一难题，研究团队提出了一种创新的端到端智能体训练范式：让诊断智能体（DiagAgent）在一个面向医学诊断的世界模型（DiagGym）构成的虚拟临床环境中，自主交互，通过接受环境反馈和最终的强化学习奖励，「摸爬滚打」，学会一套高效、准确的多轮诊断交互策略。

图1. 端到端的诊断智能体训练范式

核心贡献：

虚拟临床环境、诊断智能体

与基于 Rubric 的评测基准

这项工作的核心贡献可以概括为三个环环相扣的部分：

虚拟临床环境：构建医学诊断的世界模型 DiagGym

研究团队基于海量真实电子病历（EHR）训练了一个条件生成模型。这个模型可以根据患者的初始情况和已有的检查记录，实时生成「下一项检查的结果」。它构建了一个低成本、安全、可复现的闭环虚拟临床环境，为智能体的交互式训练提供了完美沙盒。更重要的是，这个环境兼具高保真度与高多样性，能模拟从典型到罕见的各种诊疗路径。

主动问询能力：端到端诊断智能体自主演进DiagAgent

在上述的虚拟环境中，DiagAgent 通过端到端强化学习进行训练。智能体需要学习在每个决策点做出最优选择——是继续建议检查，还是给出最终诊断，不断同诊断学世界模型进行交互，获得当前病人信息。其目标是学会通过动态决策，主动进行检查推荐，并在信息足够时做出诊断，从而实现高效动态问诊。

诊断过程化评测基准：人工检验诊断轨迹规范性 DiagBench

为了全面评估诊断智能体的能力，团队构建了 DiagBench。它不仅包含 750 个经人工检查的带有参考诊断路径的案例，更创新性地引入了由医生撰写的 973 条诊断过程评估准则（rubrics）。这些准则带有权重，可以细粒度地评估诊断交互过程的合规性与质量，强调「如何达成诊断」的过程，而不仅仅是「诊断结果是否正确」。

实验结果显示，无论是在单步决策场景，还是在端到端****多步诊断决策场景，经过强化学习训练的 DiagAgent 均显著优于包括 GPT4o、DeepSeekv3 在内的 10 个代表性大模型，以及两种主流智能体框架。这一结果表明，在交互式环境中进行策略学习，能够赋予模型更强的动态决策与长期诊断管理能力。

技术框架：

训练诊断学世界模型与端到端

交互式诊断智能体强化学习自主演进

第一步：DiagGym，构建可交互的诊断世界模型，打造虚拟临床环境

首先，团队需要一个能模拟真实临床反馈的「沙盒」。他们收集了超过 11 万份患者的真实诊疗数据，覆盖近 5000 种疾病。这些数据包含了患者基本信息以及按时间排序的检查序列（如化验、影像等）。

利用这些数据，团队训练了一个自回归语言模型。这个模型的核心能力是条件性文本生成：给定患者基本信息和历史检查记录，它能精准预测下一项检查可能出现的结果。这个模型就是 DiagGym，一个能够实时模拟检查反馈的诊断学世界模型。

图2：基于临床序列数据的 DiagGym 自回归语言模型训练范式

第二步：DiagAgent，端到端强化学习驱动，让诊断智能体自主演进

有了「虚拟临床环境」，就可以开始训练「诊断智能体」了。DiagAgent 的训练分为两个阶段：

冷启动（Supervised Fine-Tuning）：首先，使用 1000 条从真实病历中抽取的诊断互动轨迹进行监督微调，让模型学会基本的交互格式和临床语言。
强化学习（Reinforcement Learning）：接着，将智能体放入 DiagGym 中进行多轮实战演练。智能体在环境中自主决策，获得环境反馈，并根据最终的奖励进行策略优化。

奖励函数的设计是关键，它由三部分构成：

诊断正确性：最终诊断是否准确？
检查推荐质量：推荐的检查是否关键、有效？（通过 F1 分数衡量）
交互轮数惩罚：是否用最少的步骤完成诊断？（鼓励高效）

通过 GRPO 强化学习算法，DiagAgent 逐渐学会了如何在不确定性下进行「主动搜证-评估-收敛」，将诊断从「单轮问答」升级为「轨迹级决策与策略学习」。

图3：采用强化学习驱动的DiagAgent策略演进的训练架构

第三步：DiagBench，手工打造规则驱动新评测基准，评估AI诊断交互能力

在评估诊断性能方面，不仅需要模型能给出正确答案，更要能展示出严谨的诊断思路。但如何衡量这个「思路」呢？传统的自动化指标显然不够。

为此，研究团队打造了一套全新的手工打造规则驱动的评测基准——DiagBench，旨在深入评估AI在多轮诊断交互中的过程质量。具体步骤如下：

医生验证的高质量案例库：基准包含了 750 个经过医生团队逐一验证的真实诊断案例，每个案例都附有标准的参考诊断路径和最终结果。
手工打造的核心评估准则（Rubrics）：研究团队还引入了一套由资深医生手工打造的、基于规则的评估体系。研究团队邀请多位医生，对 99 个复杂病例进行深度复盘，将诊断过程中的关键决策点、推理逻辑、以及必须遵守的临床准则，提炼成 973 条具体的评估细则（Rubrics）。
带权重的精细化打分：在此基础上，医生还为每一条准则都附上权重，以区分其临床重要性。

通过这套体系，DiagBench 对诊断全过程进行细粒度过程审查，全面评估其在信息收集、假设检验、风险控制等维度的综合能力。

实验结果：

虚拟环境与智能体的双重验证

DiagGym：虚拟环境有多真实？

一个可靠的虚拟环境是成功训练智能体的前提。实验证明，DiagGym在多个维度上都表现出色：

高保真度：DiagGym 在逐步生成检查结果时展现出卓越性能。如表 1 所示，在逐步生成检查结果时，其步骤相似度（3.57/5分）和整链一致性（96.9%）均远超 Qwen2.5-72B 等强基线模型。更关键的是，根据医生评测结果（表2），DiagGym 同样大幅领先，其生成的报告获得了 4.49 分的平均相似度和 95.00% 的多数投票一致性，这证明 DiagGym 的结果更连贯，更少出现与病情矛盾的「过度阳性」结果，临床可信度高。
高多样性：生成的检查结果分布与真实数据高度对齐。如表1所示，数值型 1-Wasserstein 距离仅 0.128，同时保持了接近真实数据的多样性，有效避免了模型模式崩溃。
高效率：DiagGym 的部署和推理成本极低。表 1 数据显示，它仅需单卡 A100即可部署，单次生成仅耗时约 0.52 GPU·s，而同类任务若使用 DeepSeek-v3-671B 则需要至少 16 张GPU和超过 62 GPU·s 的算力。这为大规模、高频次的智能体交互训练提供了可能。

表1：DiagGym 与基线模型的定量评测结果。

表2：DiagGym 与基线模型生成结果的临床专家主观评测结果。

DiagAgent：诊断智能体的「医术」如何？

1、单轮能力评测：决策精准度大幅提升

在单轮能力评测中，如图 4a 所示，我们评估了智能体在给定部分病历、仅需做出下一步决策的能力。结果证明，DiagAgent 在这种单轮决策场景下展现了压倒性优势（结果见图 4c）

检查推荐命中率提升 44.03%，最终诊断准确率提升 9.34%（相较于次优模型）。
DiagAgent-7B 的检查推荐命中率高达 72.56%，而 MedGemma 和 DeepSeek-v3 等强模型仅为 20%-28%。

图4：DiagAgent在单轮决策场景下的评估框架与性能对比。

2、端到端全程诊断评测：过程与结果双优

在模拟真实诊疗、从头到尾完成诊断的全流程测试中，如图5a 所示，模型需要根据患者信息进行多轮问诊，最终给出诊断。DiagAgent 在这一复杂任务中再次表现最佳：

核心诊断指标全面领先。如图 5b 所示，DiagAgent-14B 平均交互 6.66 轮，检查推荐F1分数达到 46.59%，最终诊断准确率 61.27%，均远超其他模型。相比之下，许多大模型基线（如 DeepSeek-v3）倾向于在 2-4 轮内草草结束，导致检查不充分（Recall 较低），诊断准确性也大打折扣。
过程质量获临床准则认可。我们进一步引入医生制定的**流程化准则（rubrics）**进行评估（如图5c 所示）。在图5d的加权得分对比中，DiagAgent-14B的得分比强基线（如Claude-sonnet-4）高出7-8个百分点。这说明它不仅「诊断对」，而且「过程好」，更好地遵循了关键检查优先、基于证据收敛等临床金标准。

图5：DiagAgent端到端全程诊断评测框架与结果。

消融实验：

训练虚拟环境支撑强化学习

比简单利用现有样本进行SFT更加高效

框架的成功并非偶然。通过一系列消融实验，我们深入探究了DiagAgent 成功的关键因素。我们的消融实验结果如表3所示：

强化学习（**RL）显著优于监督微调（SFT）：**在同等模型规模下，由DiagGym 虚拟环境支撑的强化学习策略，普遍为模型带来 10 至 15 个百分点以上的诊断准确率增益。
奖励设计是策略优化的核心：同时优化「诊断准确性」和「检查推荐质量」的双重奖励，能让模型在提升最终准确率的同时，大幅改善诊断路径的合理性。
强基座模型潜力更大：虽然所有模型都能从RL中获益，但更强的基座模型（如Qwen2.5-14B）能达到更高的性能上限。