跳转至

🩺 医疗 LLM

💬 EMNLP2026 · 46 篇论文解读

📌 同领域跨会议浏览: 🧠 NeurIPS2026 (16) · 📷 CVPR2026 (1) · 🔬 ICLR2026 (20) · 💬 ACL2026 (47) · 🧪 ICML2026 (4) · 🤖 AAAI2026 (12)

🔥 高频主题: 医学影像 ×33 · 推理 ×9 · LLM ×7 · 对话系统 ×4 · 对齐/RLHF ×3

AP-GRPO: Anchor-Gated Phonetic Alignment with Policy Optimization for Pathological Speech Reconstruction

针对神经退行性疾病与运动障碍导致的病理性语音退化问题,提出锚点门控音素对齐策略优化框架 AP-GRPO,利用可靠清晰词作为结构化锚点约束,并结合病理发音持续时间先验与混淆平滑后验图,通过可微 Soft-DTW 音素对齐奖励监督锚点间严重损毁区域的重构,使重度构音障碍的词错误率从 ~0.75 骤降至 ~0.29。

Auditing Evidence Use in Medical LLM Diagnosis

针对医疗大模型端到端诊断准确率无法反映临床证据使用合理性的痛点,本文提出一种行为学证据审计框架,通过控制性子集干预与诊断边际交互挖掘,结合诊断相对性证据角色与多重稳定性过滤,有效剥离伪影并定位真实证据误用。

Can MLLMs Perceive and Describe Medical Image Quality Beyond Scores?

MedQ-Bench 构建了首个涵盖 5 种成像模态、40 余种退化类型及 3,308 张图像的医学图像质量评估(IQA)多模态基准,提出解耦“低层感知辨识”与“专家级诊断描述”的全新范式,评测 23 个前沿 MLLM 揭示出当前模型在轻度退化感知与细粒度成对对比上的严重瓶颈,并尖锐指出医学专用大模型普遍存在“以诊断偏置掩盖质量缺陷”的系统性失效。

PsyCLIENT: Client Simulation via Conversational Trajectory Modeling for Both Trainee Practice and Model Evaluation in Mental Health Counseling

提出 PsyCLIENT 框架与包含 120 份长篇档案的中文心理咨询基准 PsyCLIENT-CP,将静态来访者背景与对话轨迹显式解耦,通过离散行为标签与参考内容引导大模型生成具备真实防御、阻抗与依从特性的多轮咨询对话,在 24 位专业咨询师双盲评测中展现出高度真实性与教学实用性。

ClinHallu: A Benchmark for Diagnosing Stage-Wise Hallucinations in Medical MLLM Reasoning

构建了首个将医疗视觉问答推理拆解为视觉识别、知识回忆与推理整合三阶段的幻觉诊断基准 ClinHallu(7,031 实例),通过阶段替换干预定位错误根因,揭示不同数据集的认知瓶颈并证实全轨迹监督微调可显著抑制阶段性幻觉。

Cognitive-Level Prefix-MoE Reward Modeling for Curriculum Alignment of Medical Language Models

针对医学语言模型在多选题与开放式长文本推理之间的奖励冲突,本文提出基于认知层级的前缀混合专家奖励模型(Prefix-MoE RM),通过冻结路由器软融合可训练的层级前缀以提供自适应标量奖励,并结合多选标准答案反馈与认知课程 GRPO,在保持多选基准性能的同时大幅提升开放式临床推理质量。

Criterion-Activated Preference Synthesis: Attributed Alignment for Medical Dialogue Agents

本文提出标准激活偏好合成框架(CAPS),通过显式质量标准驱动查询生成与多源响应采样,并利用“准则引导裁判”与“全局盲测裁判”构成的双视角打分机制,结合上下文级经验激活测试(EAT)和样本对级归因比率(AR)审计,从源头上剔除表层混淆因素并精确归因偏好差,仅用 2k 合成偏好对即在医疗临床基准 HealthBench 上超越 22k SFT 并追平 35k 人工偏好对齐表现。

CRU-Reason: Knowledge Graph-Grounded and Interpretable Clinical Prediction with Clinical Rationale Units

提出 CRU-Reason 框架,通过融合机器学习先验与受限知识图谱探索构建疾病为中心的临床理由单元(CRU),驱动大语言模型进行细粒度解耦推理,在药物推荐和诊断预测中显著超越基线并提供可追溯的临床解释。

CRU-Reason: Knowledge Graph-Grounded and Interpretable Clinical Prediction with Clinical Rationale Units

提出融合机器学习统计先验、知识图谱与大语言模型的 CRU-Reason 框架,通过规则受限的图探索将电子健康记录分解为以疾病为中心的临床理由单元(CRU),驱动大模型进行细粒度循证推理与可信归因,在 MIMIC-III 与 MIMIC-IV 上的用药推荐与诊断预测任务中平均提升 9.4%。

Dementia-R1: Reinforced Pretraining and Reasoning from Unstructured Clinical Notes for Real-World Dementia Prognosis

针对非结构化长时序临床病历中痴呆症非单调进展轨迹难以建模且最终预后标签稀疏的难题,提出两阶段强化学习框架 Dementia-R1,通过利用自由文本病历中固有的中间临床量表构建容差感知的可验证奖励实施冷启动预训练,再进行端到端痴呆症二分类预后微调,在韩国首尔峨山医院真实队列上取得 84.02% AUROC,全面超越参数量大 10 倍的开源及闭源大模型。

Dementia-R1: Reinforced Pretraining and Reasoning from Unstructured Clinical Notes for Real-World Dementia Prognosis

提出两阶段强化学习框架 Dementia-R1,第一阶段利用群组相对策略优化(GRPO)结合带容差的可验证临床指数奖励预测中间病程指标,第二阶段微调端到端二分类预后,在 Asan 真实非结构化病历(84.02% AUROC)与帕金森痴呆跨病种队列(78.37% AUROC)上显著超越 10 倍参数量级的大模型。

Dense Process Supervision for Search Agents via Fact Utility Estimation

针对搜索智能体强化学习中结果奖励信号稀疏且难以回溯中间步骤真实价值的局限,FactAgent 将交互历史显式解构为事实库,借助群体 rollout 统计进行贝叶斯效用估计与势能奖励塑形,以密集过程监督显著提升了多跳知识问答性能与检索精度。

Dental-TriageBench: Benchmarking Multimodal Reasoning for Hierarchical Dental Triage

提出首个面向门诊分诊决策的专家标注多模态基准 Dental-TriageBench,结合全景曲面断层片(OPG)与患者主诉,构建涵盖 8 个粗粒度专科领域与 22 个细粒度治疗标签的层次化分诊任务,评测 21 个多模态大模型并揭示其相比人类初级牙医普遍存在以遗漏为主的欠分诊瓶颈。

Fathom-Vaidya: Advancing Medical Reasoning with Rubric-Based Rewards

提出两阶段强化学习与评分细则生成框架 Fathom-Vaidya,结合规则 RL 与细粒度错误细则优化诊断推理,并通过 Actor-Critic 闭环合成 5.3k 真实多轮临床对话与多维细则引导 GSPO 训练,使 30B 模型在 HealthBench-Hard 达 50.1% 并超越 GPT-5 Thinking。

FDARxBench: Benchmarking regulatory and clinical reasoning on FDA generic drug assessment

联合美国 FDA 监管审评专家构建首个面向仿制药审评与结构化产品标签(SPL)的专业级基准 FDARxBench(包含事实单跳、跨章节多跳与负控制拒答共 17,223 道问答),揭示了前沿大语言模型在长文档精确定位、多跳跨章节综合推理及可靠安全拒答上的显著短板。

GPAgentBench-2K: Benchmarking Large Language Model Agents in Complex Clinical Action Space

针对现有临床评测过度简化动作空间且无法约束安全风险的缺陷,本文构建了首个基于约束马尔可夫决策过程(CMDP)的全科智能体基准 GPAgentBench-2K,涵盖 6 项基础动作拓扑与安全弃权转诊机制,揭示了前沿大模型在复杂动作空间下严重的“质量-安全鸿沟”,并提出了基于拉格朗日松弛的约束策略优化基准 C-GRPO。

Graph2Counsel: Clinically Grounded Synthetic Counseling Dialogue Generation from Client Psychological Graphs

针对心理健康咨询领域数据隐私严苛、现有合成对话缺乏认知-情绪-行为深层依赖建模的痛点,本文提出基于客户心理图谱(CPG)与咨询师干预策略的合成咨询会话生成框架 Graph2Counsel,构建出高保真、多流派的多轮心理咨询数据集并开源多轮评估基准 Therapy-Eval。

Graph2Counsel: Clinically Grounded Synthetic Counseling Dialogue Generation from Client Psychological Graphs

提出首个基于客户心理图(CPG)与咨询师真实干预策略驱动的合成心理咨询对话框架 Graph2Counsel,通过解耦心理机制依赖与个人身份生成结构化双边交互,并在多项专家临床盲评与下游咨询基准中显著超越现有基线。

How Well Can Modern LLMs Act as Agent Cores in Radiology Environments?

本文提出包含理想化合成层与真实执行层的双层评测基准 RadA-BenchPlat,系统揭示大语言模型在放射学多模态工具编排中存在高层规划合理但底层执行漂移的脱节瓶颈,并验证了工作流脚手架与按需工具生成机制的边界与局限。

Import What You Need: Learning When and How to Augment Domain Knowledge in Clinical LLMs

针对临床纵向预测中外部知识图谱注入盲目扩展导致的噪声稀释与计算膨胀问题,本文提出 ReTA 框架,将知识增强建模为逐就诊的强化学习路由策略,在离线蒸馏的高质量模板库上动态决策执行特征软注入、拓扑硬嫁接或自适应跳过,并借助双通道解耦编码实现高精度与低延迟的统一。

Investigating Linear Probe Robustness to Linguistic Register, Medical Specialty, and Corpus Shifts in Medical QA

论文系统解耦了医学问答中线性探针迁移的语域、专科与语料三大输入变量,实证发现线性真值方向对语域变化(\(\Delta_{\text{register}} \approx -0.095\) AUROC)与临床专科(\(\Delta_{\text{specialty}} \approx -0.031\))高度鲁棒且本质线性,但会在跨语料迁移时显著退化(\(\Delta_{\text{dataset}} \approx -0.21\)),证明探针捕获的真值信号部分绑定于数据集的题目构造机制。

KnowSim: Evaluating Information Calibration in LLM Assistants with User Simulators that Learn

提出了基于学习理论与动态知识图谱演化的多轮用户模拟框架 KNOWSIM,通过显式建模信息单元(IU)前置依赖与认知负荷,实现对大模型助手信息校准能力的精准分层评测。

Learning Personalized Prompts for Healthcare Guidance

提出 PPL(Personalized Prompt Learning)框架,结合目标患者历史体检时序预测与同质病例协同过滤生成粗粒度提示,再利用强化学习以医生历史真实指导语为奖励信号迭代优化离散词级提示,在无需修改或微调闭源商业大模型参数的前提下实现高质量端到端个性化医疗建议生成。

Learning Personalized Prompts for Healthcare Guidance

本文提出面向医疗指导的个性化提示学习框架 PPL,通过融合自身历史病历预测与相似病例协同信息构建个性化提示,并基于强化学习以医生实际诊疗建议为奖励信号进行离散词级优化,使闭源商业大模型无需微调即可生成高度个性化的专业医疗指导。

Lung-R1: A Knowledge Graph-Guided LLM for Pulmonary Diagnostic Reasoning

针对通用大模型在呼吸专科问答与真实病例诊断之间的脱节问题,构建了包含 5.9 万节点和 16.4 万条有向边的专病图谱 LungKG,并通过图约束思维链微调与三元组路径一致性强化学习训练出 Lung-R1,在真实电子病历诊断任务上达到 4.3583 分(超越 Claude-Sonnet-4.5 达 0.1476 分)。

Making Clinical Language Models Auditable: Concept-Guided Fine-Tuning for Robust Prediction

针对临床语言模型在电子病历风险预测中极易依赖病历模板、分隔符等表面伪捷径的问题,本文提出 CAST 框架,通过稀疏自编码器解耦内部概念,结合大模型多轮共识与 ICD-10 检索库严谨过滤伪特征,并在微调过程中执行残差相减抑制,在提升死亡率预测性能与校准度的同时提供了基于临床概念的完整审计证据链。

MedF^2Route: Evidence-Routed Graph Verification for Hallucination Detection in Clinical LVLMs

针对临床视觉语言模型在诊断推理中忠实度与事实性幻觉交织、证据异构且易错位的问题,MedF²Route 将自由文本转化为结构化临床图,提出动态证据路由与双路图验证框架,显著降低误报率并大幅刷新多主干幻觉检测精度。

MedF2Route: Evidence-Routed Graph Verification for Hallucination Detection in Clinical LVLMs

针对临床视觉语言模型在跨模态病患事实与外部医学常识上的复合幻觉问题,MedF2Route 将黑盒幻觉检测形式化为多源证据路由任务,通过将自由文本病历与模型诊断解析为结构化临床关系图,把响应三元组动态分发至病历文本、医学影像与外部知识图谱开展双路针对性验证,在大幅削减假阳性误报的同时显著提升临床判别精度。

Medical Bilingualism: Cross-Ontology Graph Retrieval for Incommensurable Knowledge Bases

针对传统中医与现代西医知识体系间解释基元不兼容导致的检索语义坍塌,提出 XONTO-RAG 框架,利用“验证与投票”机制构建类型化跨本体桥梁,并通过查询感知关系图注意力网络(RGAT)完成保真可溯源的多跳证据子图检索。

MedInsightBench: Evaluating Medical Analytics Agents on Multi-Modal Clinical Records

本文提出了首个面向多模态病理全切片与临床报告的多步目标驱动型医疗洞见发现基准 MedInsightBench(含 332 个 TCGA 严选病例与 3,933 条专家核验洞见),并设计了协同视觉线索锚定、专用病理工具深析与多轮追问推进的多智能体系统 MedInsightAgent,系统性攻克了大模型在复杂临床推理中易保守、易脱节与缺乏深层推断能力的缺陷。

MedPriv-Bench: Benchmarking the Privacy-Utility Trade-off of Large Language Models in Healthcare

MedPriv-Bench 是首个专门评估医疗开放式问答中隐私保护与临床效用权衡关系的基准,通过多智能体对抗注入敏感语境并结合微调 RoBERTa-NLI 高灵敏度判定,系统揭示了现有模型普遍存在的语境隐私泄漏风险及 SFT 与长度约束的防御优势。

MedRoundsQA: A Persona and Difficulty Aware Evaluation for Multi-Turn Medical Consultations

本文提出面向多轮医疗问诊的评估基准 MedRoundsQA,将 1,387 道真实临床试题转化为 24 槽位标准病历并生成反事实患者人设与难度标签,揭示出大模型医生在多轮交互下诊断准确率暴跌 13–39 点、轮次收益在 6–12 轮饱和以及患者健康素养差距带来 7–8 点性能偏见的核心瓶颈。

MedSNIP: Building and Benchmarking Snippet-Level Granularity for Medical Fact Verification

针对传统原子切分破坏医疗断言上下文依赖与因果逻辑的问题,本文提出以临床语义完整的“片段”(Snippet)作为核心核验单元,构建了包含 2,524 个双重标注片段的基准 MEDSNIP-BENCH 与自动化抽取流水线 MEDSNIP,在显著减少核验调用的同时大幅提升了假类检测 F1 分数。

Meerkat2: Bridging Global Reasoning and Local Knowledge for Efficient Medical AI

Meerkat2 针对医疗模型面临的本土法律机构知识缺失与长思维链蒸馏导致的推理冗长问题,通过结合本土法规精准QA合成、混合回放机制与解耦冗长指令蒸馏(VDD),使 30B-A3B MoE 模型仅激活 3B 参数即在韩国医师执照考试子集达到与 235B 顶尖大模型匹敌的水平,且有效压缩推理 token 开销达 54%–65%。

MMedAgentBench: A Multi-Stage Benchmark for Evaluating LLM-based Medical Agents

MMedAgentBench 构建了首个涵盖三甲医院 167 例真实脱敏病患、527 个序贯诊疗阶段的多阶段医疗智能体基准,通过阶段化信息逐步披露、真实医院检查成本追踪以及专科医生要点门控评估,全面评测大模型在动态长程诊疗中的诊断准确率、治疗方案合理性与资源消耗权衡。

OmniV-Med: A Scalable Training Recipe for Unified Medical Vision-Language Understanding

OmniV-Med 针对医疗视觉输入异构且碎片化的问题,提出了一套基于单 2D ViT、旋转位置自适应编码(RoPE)、冗余引导 Token 剪枝(RGTP)以及三阶段渐进式训练课程的可扩展统一医疗视觉语言模型配方,在 2D、3D 体数据和长手术视频基准上显著超越领域专用基准。

OntologyBench: Can Dense Retrieval Satisfy Structured Biomedical Constraints?

构建首个涵盖概念对齐、关系检索及表型组合约束三层级、共59.7万对样本的生物医学检索基准OntologyBench,实证揭示密集向量检索在联合满足多重结构化约束时的系统性聚合失效(仅达本体先验基线0.739的42%得分),且后期重排无法弥补候选缺失与表征缺陷。

Patient-Zero: Scaling Synthetic Patient Agents to Real-World Distributions without Real Patient Data

Patient-Zero 提出了一种无需真实病历的从头(ab initio)医疗智能体模拟框架,通过分层医学知识生成与流行病学属性分层采样打破隐私与多样性瓶颈,并构建基于语义-情景双轨认知记忆和 NLI 验证机制解决智能体在动态问诊中的稳定-可塑性困境。

Patient-Zero: Scaling Synthetic Patient Agents to Real-World Distributions without Real Patient Data

Patient-Zero 提出了一种完全脱离真实病例的从头合成(ab initio)虚拟病人智能体框架,通过四阶段因果分层合成协议消除隐私泄露并对齐真实流行病学分布,配合双轨认知记忆系统与自然语言推理(NLI)门控,彻底破解长程问诊中的“稳定性-可塑性困境”,在 6 万份跨专科病历合成中实现超过 98% 的临床有效性,并显著提升下游模型医学推理能力。

RASPER: Reward-Aligned Summarization of Clinical Notes for EHR Outcome Prediction

本文提出面向电子健康档案(EHR)临床结局预测的端到端框架 RASPER,通过多模态软提示编码结构化代码并将其与文本总结联合建模,并首创基于下游预测损失反馈的强化学习(RLPF)策略优化总结器,促使模型保留互补于结构化代码的关键患者证据,在再入院预测与用药推荐任务上显著优于现有基线。

Right Diagnoses, Decorative Reasoning: A Perturbation Audit of Medical Chain-of-Thought

针对临床场景中大模型思维链常被误当真实推理依据的风险,本文提出包含30种临床与链级算子的扰动审计框架,通过链更新与答案翻转的联合分析揭示出医疗CoT大多属于“装饰性推理”(全组链解耦率达72.9%)。

SafeRx-Agent: A Knowledge-Grounded Multi-Agent Framework for Safe and Explainable Medication Recommendation

提出了首个面向细粒度 ATC-L4 化学亚组的知识锚定多智能体用药推荐系统 SafeRx-Agent,通过稀疏专科路由、多源医学知识锚定、全局主治裁决与两阶段安全验证循环,在提升推荐准确率的同时显著抑制了药物相互作用与禁忌症风险。

SAGE: Semantic Anchor-Guided Evolution for Grounded Medical QA Data Synthesis

SAGE利用轻量权威的MeSH医学分类本体作为语义锚点,通过单概念原子生成与多概念关联生成双轨并行迭代演化,使小规模本地模型无需依赖海量文档或闭源API即可合成高质量有依据的医学问答数据,在5个主流医学评测中达到68.12%的平均准确率。

SARL-ICD: Structure-aware Contrastive Representation Learning with LLM-augmented Label Descriptions for Automatic ICD Coding

针对临床出院小结模版化结构引发的对比学习捷径问题与标签语义利用不足,SARL-ICD 提出叙述性病史截断与 Jaccard 指导的对比预训练 JMoCo、大模型增强的标签-文本交互模块以及跨架构 MoE 自适应融合,在 MIMIC-III 与 MIMIC-IV 上刷新了全指标 SOTA。

SoftGene: Protein Language Model-Enhanced Soft Prompt Tuning for Genomic Sequence Modeling

提出 SoftGene 混合提示框架,利用 ESM-2 蛋白质语言模型与两级层次注意力池化对氨基酸序列信息及可变剪接体进行表征,并将其投影为连续软提示注入冻结本地大语言模型,实现高精度且具备生物可解释性的基因集功能自动注释。

Solve the Missing First Step: Can VLMs Standardize Raw Heterogeneous Medical Data?

提出了首个评估多模态大模型 Agent 在真实复杂临床环境下自主清洗与标准化异构医疗数据能力的基准 MDS-Bench(涵盖 100 个公开数据集与 1,939 个样本),揭示了前沿 VLM 在端到端严格标准化成功率上的巨大缺陷(最强模型 Gemini 3 Flash 仅达 48.6%)。