论文地址：https://arxiv.org/abs/2610.34878

Github地址：https://github.com/SirryChen/ClinVerse

Demo链接：https://sirrychen.github.io/blogs/ClinVerse/


核心观点： 真实医疗环境中，医疗 Agent 不仅需要回答“患者得了什么病”，还需要主动判断“接下来应该问什么、检查什么”。我们提出 ClinVerse，一个基于真实电子健康记录的多智能体临床诊断环境，支持医疗 Agent 的多轮交互、过程评测和自进化训练。



一、研究动机：会做医学题，不代表会完成临床诊断

在 MedQA、CMExam 等传统医学问答任务中，模型通常直接获得完整的症状、病史和检查结果，再预测疾病诊断。然而，在真实临床流程中，这些信息往往并不预先给出：医生需要主动询问患者、申请检查，并根据逐步获得的证据更新诊断假设。

核心区别在于：静态医学问答主要考察如何利用已知证据，而交互式诊断还需要考察如何主动获取证据。

构建这样的交互环境面临两大困难：

  • 临床真实性与信息边界：直接向患者模拟器提供完整病历，可能泄漏诊断答案；对未记录的检查一律回复“无记录”或“正常”，则可能被模型利用于排除可能疾病。

  • 过程级反馈与可扩展评测：仅评价最终诊断无法衡量问诊和检查策略；专家逐条评估成本高，而基于 LLM 的评审存在模型依赖和一致性问题。

为解决这两个问题，ClinVerse 将真实临床病例转化为能够开展多轮问诊、检查和诊断的交互环境，并提供基于规则的轨迹级反馈。



二、ClinVerse：六角色协作的交互式临床环境

2.1 ClinPatient：以15万真实病例支撑可扩展模拟

ClinVerse 基于 ClinPatient 构建病例环境，数据集包含约 150k 个病例，主要源自 MIMIC-IV、SICdb 及关联临床记录。原始电子病历经清洗和结构化处理后，被拆分为患者画像、临床状态，以及可追踪的 Information Units（临床信息单元）。信息单元可以是症状、既往病史或用药史等，用于标记哪些信息已经被医生获取。为了提升患者的真实感，被脱敏的患者社会背景使用 Synthea 工具条件生成补全；OCEAN 人格特征用于调控对话风格。

图1｜ClinPatient 数据分布：展示 MIMIC-IV-Ext 与 SICdb-Ext 的病例规模、性别年龄构成、单病例检查和信息单元数量，以及主要诊断类别分布，反映真实 EHR 的病例多样性。


2.2 双层患者：控制信息披露，减少答案泄漏

为了从根本上降低患者模拟器在交互过程中泄漏诊断信息的风险，我们将患者模拟器拆分为两层。Observable Patient 只拥有真实场景下患者能够知晓的信息，Latent Patient 则保存包含诊断与检查结果的完整临床状态，两者之间设有访问边界。Self-check机制进一步检查患者回答是否存在无依据或越权披露。


2.3 ClinLab：支持未记录检查的开放式请求

真实 EHR 并不包含所有潜在检查项目，这限制了模拟交互中的自由度。如果对缺失项目返回正常或者不存在，则可能被医疗Agent利用于排除可能的疾病。ClinVerse 对有记录的检查优先返回原始结果；而对未记录的检查，利用经过训练得到的ClinLab 生理状态预测模型 推断具有临床合理性的结果。


2.4 轨迹级评测：不仅看诊断，也看如何获得证据

ClinVerse 用五个基于规则的指标，同时评估信息获取与最终诊断。通过区分信息获取过程与诊断结果，ClinVerse 可以更清楚地定位模型在不同临床环节中的能力短板。

指标

衡量的问题

ICR 信息收集率

是否问出了病例中的关键患者信息；关键信息拥有更高权重

TOC 检查覆盖率

是否请求了病例相关的检查

ATC 异常检查覆盖率

是否发现了病例中有异常的检查结果

DCA 诊断类别准确率

ICD-10 block 是否匹配

DSA 细粒度诊断准确率

ICD-10 三字符类别是否匹配


2.5 ClinVerse：基于真实电子健康记录的多智能体临床诊断环境

图2｜ClinVerse 整体框架：以 ClinPatient 提供真实病例基础，通过双层患者、检查医师和环境控制器组织诊断交互，再由规则化评估器提供反馈，支持三类 Agent 自进化策略。

基于上述构造的ClinPatient和训练的ClinLab，我们构建了模拟真实医疗诊断环境的ClinVerse。环境中包括六类角色：

角色

主要职责

Doctor Agent

主动问诊、请求检查并提交诊断，是训练与评测对象

Observable Patient

根据患者可知的症状、病史等信息回答问题

Latent Patient

保有完整临床状态，但不直接向医生披露

Laboratory Physician

返回已记录或预测的检查结果

Environment Controller

管理动作、访问权限、交互轮次和轨迹记录

Diagnostic Judge

根据临床证据与诊断标签进行规则化评估

医生 Agent 在每轮可以执行三类动作：问诊（Ask Patient）、请求检查（Request Examination）或提交诊断（Submit Diagnosis）。检查请求涵盖体格、实验室、微生物和影像检查。由此，诊断不再是给定全部信息后的单次推理，而是逐步获取证据、持续修正假设的完整过程。



三、主要实验：ClinVerse 既支持评测，也能用于训练

表1｜医疗 Agent 评测与自进化实验：比较通用模型、医疗专用模型及三类适应策略在信息收集、检查覆盖和 ICD-10 诊断准确率上的表现；结果为独立重复实验的均值与标准差。


3.1 不同医疗 Agent 的交互诊断表现

GPT-5.6-Luna 在受评交互模型中表现最强，但与完整信息参考设置仍存在显著差距。不同模型也呈现明显不同的能力画像：Baichuan-M2-32B 的检查覆盖表现突出，但诊断准确率并没有很高；Lingshu-32B 则很少请求检查，更依赖既有知识与初始信息。这说明，最终诊断分数不能独立解释一个 Agent 的临床能力，必须结合其获得证据的方式理解结果。


3.2 三类自进化方法的训练表现

以 Qwen3-32B 为基线，论文测试三类方法：

  • L1 离线适应：Trace2Skill、SkillRL、MemRL-offline、MedAgent-Zero，侧重从固定轨迹学习技能与经验。

  • L2 在线自进化：MemRL-online、Dynamic Cheatsheet、ACE，在执行和反馈过程中持续更新策略或记忆。

  • L3 递归自改进：Self-Taught Optimizer、Meta Context Engineering、MedRSI，尝试进一步优化改进机制本身。

三类方法均能带来一定诊断收益。其中，Dynamic Cheatsheet 在该组适应实验中获得最突出的综合结果，诊断类别准确率为 33.40%，细粒度诊断准确率为 20.60%；同时，其信息收集并非最多。这表明利用交互反馈优化临床决策策略，可以在不一味增加问诊信息的情况下改善诊断表现。



四、进一步发现：真正重要的是证据质量，而非数量

4.1 信息收集先趋于饱和，诊断仍可能继续改善

Agent 在前期更集中地询问患者，随着对话推进，新增信息逐渐减少，但诊断一致性仍可提升，这说明后续交互除了增加新信息，也可以帮助模型确认、筛选和重新解释已有证据。

图3｜多轮诊断动态：前期问诊快速获取信息，中后期检查与诊断动作占比变化；信息获取逐渐趋于饱和时，诊断一致性仍可提升，反映持续的证据整合过程。



4.2 信息获取更多，不保证诊断更准确

为了进一步分析不同自进化方法对医疗 Agent 能力的影响，我们选取了三个不同能力水平的模型，并分别应用三类代表性自进化策略。我们将五项评测指标整合为两个维度：信息获取能力（ICR、TOC、ATC 的平均值）与诊断准确率（DCA、DSA 的平均值），并以静态 Agent和完整信息设置作为参考，对比不同自进化策略带来的能力变化。

实验发现，不同模型和自进化方法呈现出明显不同的能力变化趋势。对于 Qwen3-32B，自进化通常能够同时改善信息获取与诊断表现；而对于能力更强的 GPT-5.6-Luna，部分方法在降低信息收集量的同时，仍能取得更高的诊断准确率。这一现象表明，医疗 Agent 的自进化并不只是获取更多临床信息，更重要的是学会筛选、优先获取并有效整合具有诊断价值的证据。

图4｜信息获取—诊断能力关系：不同基座模型与自进化策略的散点分布显示，两种能力并非同步增长；更高诊断准确率可能来自证据选择与利用效率的改善。


4.3 跨模型学习依赖轨迹质量与能力匹配

我们进一步比较了 Qwen3-32B 和 GPT-5.6-Luna 生成的诊断轨迹对其他模型的训练效果。实验结果表明，较弱来源模型的轨迹可能无法有效指导更强目标模型，甚至产生负迁移；高能力来源模型生成的少量轨迹，则能够明显帮助部分较弱模型。

表2｜跨模型学习能力分析：不同来源模型的诊断轨迹对目标 Agent 的提升效果存在明显差异，强模型生成的高质量轨迹通常具有更好的迁移效果，而弱模型轨迹可能导致负迁移。


4.4 自进化能力具有一定跨环境泛化性

为了验证 ClinVerse 中训练得到的能力是否具有跨环境泛化性，我们将不同自进化方法应用于 Qwen3-32B，并将训练后的 Agent 直接迁移至独立的医疗交互环境 AIHospital，在不进行额外适配的情况下评估其表现。实验结果表明，训练后的 Qwen3-32B 无需进一步适配，即可在独立环境 AIHospital 中体现部分诊断能力收益。

表3｜跨环境泛化能力分析：ClinVerse 中学习的诊断能力能够迁移至 AIHospital，多种自进化方法提升了诊断表现，但部分方法存在诊断准确率与问诊质量之间的权衡。



Takeaways：实验揭示了什么？

  • 证据获取是主要瓶颈。 模型具备医学知识，并不意味着能够在交互中主动找到关键证据。

  • 更多信息不等于更好诊断。 临床决策更依赖证据选择、优先级和整合能力，而非信息数量本身。

  • 自进化收益取决于经验质量。 高质量轨迹与合适的师生能力关系很重要，低质量经验可能造成负迁移；跨环境结果也提示应兼顾诊断准确率与问诊质量。



五、总结与展望

ClinVerse 通过真实 EHR 病例、六角色交互、双层患者模拟、ClinLab 检查预测与规则化轨迹评估，构建了既能评测、又能训练医疗 Agent 的诊断环境。

未来可以进一步考虑检查成本、侵袭性与安全约束，更丰富的多模态信息，以及随时间演变的疾病状态。对于预测检查结果，也需要更完善的不确定性处理与可靠性验证。

从“回答已有问题”到“主动提出临床问题并寻找答案”，是医疗 Agent 走向更完整临床决策能力的重要一步。



END


复旦大学数据智能与社会计算实验室


Fudan DISC


联系方式：disclab@fudan.edu.cn

地址：复旦大学袁天凡、慧敏校园C栋


内容中包含的图片若涉及版权问题，请及时与我们联系删除