Patient-Zero: Scaling Synthetic Patient Agents to Real-World Distributions without Real Patient Data¶
会议: EMNLP 2026
论文: ACL Anthology
代码: https://github.com/thu-unicorn/Patient-Zero
领域: 医疗 NLP
关键词: 虚拟患者智能体、从头合成医疗记录、双轨认知记忆、NLI 逻辑验证、流行病学分布对齐
一句话总结¶
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。
研究背景与动机¶
大语言模型在医疗健康领域的应用近年来受到广泛关注,构建高保真的虚拟患者智能体(Simulated Patient Agents)对临床医学教学(如客观结构化临床考试 OSCE 模拟)、医患沟通演练以及下游医疗推理模型的评测与训练具有重要价值。然而,高质量医疗数据的获取长期受制于严苛的隐私法规与伦理限制。现有生成患者病历的方法普遍遵循“派生生成”范式,高度依赖对真实电子健康病历(EHR)的检索增强、微调或差分隐私加噪。这种依赖不仅伴随着难以彻底根除的去标识化泄漏与重识别风险,还会因为源数据集的受限分布导致严重的模式坍塌,无法刻画多样化人群与疾病全貌的长尾流行病学特征。
更为关键的是,当将静态病历部署为动态多轮交互的虚拟患者智能体时,现有系统往往陷入认知科学中的“稳定-可塑性困境”(Stability-Plasticity Dilemma)。一方面,严格基于静态模板或固定脚本的智能体表现机械僵硬,缺乏对开放式医学问诊的自然适应力;另一方面,开放生成的 LLM 智能体在面对医生长程多轮诱导性询问(Adversarial Probing)时极易出现顺从性偏见(Compliance Bias)和灾难性遗忘,自相矛盾地编造不存在的症状或推翻基础病史设定。这种在医学事实严格锚定(稳定性)与拟真对话自由扩展(可塑性)之间的内在冲突,极大阻碍了虚拟患者在严谨临床训练中的可用性。
为了打破对真实病历的依赖并解决动态对话中的逻辑漂移,本文提出了从头构建患者智能体的全新路径。研究团队认为,患者个体的临床表现本质上是抽象疾病知识在特定人群背景下的因果具象化,完全可以通过医学先验知识库与受控的流行病学属性排列构建出合规且多样的合成病历,并在交互中通过认知记忆分层与实时自然语言推理进行闭环纠偏。本文的核心 idea 是:完全摒弃真实患者病历作为生成种子,提出由因果分层知识扩展驱动的 ab initio 病历合成框架,并结合语义-情景双轨认知记忆系统与 NLI 逻辑验证门控,从根源上消除隐私泄露风险并彻底化解问诊交互中的稳定-可塑性困境。
方法详解¶
整体框架¶
Patient-Zero 由两个紧密耦合的核心模块构成:面向静态患者档案构建的“医学对齐分层合成协议”(Medically-Aligned Hierarchical Synthesis Protocol),以及面向动态临床问诊交互的“双轨认知记忆系统”(Dual-Track Cognitive Memory System)。
在静态生成阶段,系统将病历合成形式化为以抽象疾病概念 \(c\) 为源头的四阶段因果链分解:\(p(P|c) = p(E|S, B, O) \cdot p(S|B, O) \cdot p(B|O) \cdot p(O|c)\)。首先将非结构化医学知识规范化为标准疾病大纲 \(O\);接着基于健康社会决定因素(SDOH)对人群属性进行分层拒绝采样生成患者画像 \(B\);随后结合病程阶段与触发机制推演动态症状轨迹 \(S\);最后严格基于疾病严重度生成精确量化的客观检验检查指标 \(E\)。各阶段间均嵌入确定性规则与语义检验的全局校验-重生成机制以阻断错误级联传播。
在动态交互阶段,最终生成的结构化病历作为真实基准(Ground-truth Anchor)被编译为静态语义记忆(Semantic Memory),与对话过程中动态记录患者经历的情景记忆(Episodic Memory)共同构成智能体的认知状态。在每轮问诊中,患者候选回复必须通过 NLI 验证器的逻辑一致性与人设契合度审查,根据审查结果触发拒绝重生成、原样输出或状态单调扩增,实现高保真闭环模拟。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["抽象疾病概念 c<br/>权威医学知识源"] --> B["疾病大纲规范化<br/>结构化大纲 O"]
B --> C["流行病学属性排列<br/>受控分层采样生成画像 B"]
C --> D["症状轨迹因果演变<br/>病程/诱因动态症状生成 S"]
D --> E["细粒度量化临床扩展<br/>反诊断泄露客观检查生成 E"]
E --> F["双轨认知记忆构建<br/>静态语义记忆 + 动态情景记忆"]
G["医生多轮临床问询 qt"] --> H["认知状态驱动候选生成 rt<br/>结合人设特征 Ψ"]
F --> H
H --> I["NLI 逻辑验证与记忆状态演进<br/>矛盾重生成 / 蕴含保持 / 中立扩增"]
I -->|输出经检验合规回复| J["拟真临床问诊交互结果"]
关键设计¶
1. 疾病大纲规范化:非结构化医学知识向受约束 Schema 的因果锚定
现实中原始医学知识库与百科文献常伴有噪声且格式不一,直接用于大模型提示词极易引发医学常识偏离。本阶段作为知识标准化过滤器,利用大语言模型在严密格式约束、预定义本体术语与先验临床相容性规则引导下,将抽象疾病概念解析为包含核心病理特征、轻/中/重度典型表现、临床禁忌证、特殊人群考量及危急重症预警信号(Red Flags)的标准 JSON 结构化大纲 \(O\)。该大纲作为整条生成管线的潜在逻辑脚手架,为后续患者个性化特征的衍生提供了权威且不可逾越的医学事实边界。
2. 流行病学属性排列:解耦属性选择以实现真实长尾人群对齐
为使合成人群在大规模尺度下真实还原流行病学边际分布且杜绝模式坍塌,该设计将属性空间采样与具体文本生成完全解耦。系统依据世界卫生组织(WHO)的健康社会决定因素(SDOH)框架,将高维属性空间划分为四大核心维度:生物学与人口统计学(年龄分段、生理性别、孕期等生理状态、种族)、社会经济(地理区位、教育水准、职业类型、收入阶梯)、行为生活方式(吸烟史、饮酒习惯、饮食结构、日常运动量)以及行为人设风格(沟通风格如冷漠/啰嗦/焦虑、对现代医学与传统医学的治疗偏好)。从各维度真实流行率中抽取子向量,并通过确定性相容性规则(如排斥男性妊娠、排斥小儿罕见老年退行性疾病)执行拒绝采样:
经该公式联合筛选出的合规特征向量 \(v\) 再被转化为自然语言患者画像 \(B\),有效确保了长尾边缘人群的覆盖率与现实匹配度。
3. 症状轨迹因果演变:构建患者背景与临床表现的因果链条
静态病历往往将症状视作割裂的关键词列表,忽视了疾病发展的纵向时间维度与个体诱发因果链。本设计将症状建模为包含起病时间、持续时长、严重程度演变及诱发/缓解因素的动态轨迹向量 \(S\)。系统严格依据疾病大纲 \(O\) 规定的病程阶段推进规律(如急性感染的前驱期、进展期与转归期),结合患者画像中的生活习惯与体质基础(如吸烟史对肺部慢性咳嗽进程的放大效应),生成兼具时间逻辑与病理合理性的主诉及现病史叙述,同时利用时序一致性规则确保首发症状出现时间严格早于确诊及治疗介入时间。
4. 细粒度量化临床扩展:杜绝诊断标签泄漏的高保真客观检查生成
传统生成的辅助检查常充斥诸如“血红蛋白偏低”、“肺部有阴影”等模糊表述,或直接剧透疾病诊断名称导致医学问询失去考核价值。本模块强制依据目标严重度阶梯生成具体精密的数值化与影像学表述(例如精确记录血红蛋白 8.5 g/dL、白细胞计数及中性粒细胞百分比、肺部 CT 结节精确坐标尺寸),并实施严格的“诊断盲检”(Diagnosis Blinding)原则——仅详尽记录客观医学体征与检测参数,严禁直接包含确诊疾病标签。检查数值被严格约束在预设的生理病理参考区间内,并要求与患者身高体重换算的 BMI、实验室贫血分级等交叉变量保持数值自洽。
5. 双轨认知记忆系统:基于 NLI 验证与确定性状态迁移化解稳定-可塑性困境
针对开放式动态问诊中智能体极易遗忘人设或顺从医生诱导提问产生幻觉的弊病,该系统借鉴认知心理学中的陈述性记忆理论,将记忆解耦为静态语义记忆 \(M_{\text{sem}}\) 与动态情景记忆 \(M_{\text{epi}}\)。语义记忆由生成的完整患者病历 \(P\) 分解为离散的原子命题命题集 \(\{f_1, f_2, \dots, f_n\}\),杜绝“迷失在中间”现象;情景记忆则动态追踪医生问诊交互的历史轨迹。在第 \(t\) 轮交互中,智能体结合当前认知状态 \(J_t = (M_{\text{sem}} \cup M_t^{\text{epi}}, \Psi)\) 与医生提问生成候选回复 \(r_t\),随后由冻结参数的 NLI 逻辑验证器 \(V(r_t, M_t, \Psi)\) 判定候选回复与原子事实及人设 \(\Psi\) 之间的语义逻辑关系。状态转移遵循冲突绝对压倒的优先级法则:若判定为矛盾(Contradiction)或违反人设,强制打回并基于冲突细节施加惩罚性反馈重生成;若为蕴含(Entailment),保持记忆不变直接输出;若为中立且符合常理的新信息(Neutral),则通过单调扩增将新提取的事实 \(F_{\text{new}}\) 并入情景记忆 \(M_{t+1}^{\text{epi}} \leftarrow M_t^{\text{epi}} \cup F_{\text{new}}\),在维持临床铁律稳定的同时赋予智能体自洽对话的可塑性。
损失函数 / 训练策略¶
在静态生成与 NLI 验证阶段,均直接利用具备高强指令遵循能力的冻结 LLM 作为推演及审查算力,无需特定任务微调。而在下游评测验证模块中,为了探索合成患者语料对医疗推理模型的增益,研究采用 Qwen3-8B 作为基座 Actor 与 Critic 网络,在配备 8 张 NVIDIA A100-80GB 的计算节点上,基于 VERL 强化学习框架与 vLLM 推理加速引擎,利用群体相对策略优化算法(GRPO, Group Relative Policy Optimization)进行训练。训练设置全局批大小为 128,微批大小为 4,Actor 学习率为 \(1 \times 10^{-6}\),Critic 学习率为 \(1 \times 10^{-5}\),KL 散度惩罚系数 \(\beta_{\text{KL}}\) 设为 0.001,每次提示采样 5 条轨迹以精确评估优势函数,在最大 2048 长度上下文下进行端到端优化。
实验关键数据¶
主实验¶
针对核心研究问题,论文在包含心血管、胃肠、普外、神经、精神及呼吸六大科室、98 种疾病的 60,000 篇高质量合成数据集上进行了全面评测,涵盖静态数据质量、动态交互保真度以及下游临床推理三大维度。
在静态数据质量对比中,Patient-Zero 与真实数据基线(MIMIC-IV、SCRIPT、CMA Base)、传统合成基线(Synthea、LDP-GAN、Avatar)、开源大模型基准(MERA 系列)以及直接提示词生成消融进行了严格评测,各指标表现如下表所示:
| 方法 | 模型基座 / 类别 | PPL (↓) | Distinct-4 (↑) | Self-BLEU (↓) | 实体多样性 (↑) | 临床一致性 (↑) | 临床完整性 (↑) |
|---|---|---|---|---|---|---|---|
| MIMIC-IV | 真实临床数据 | 1.50 | 10.99 | 85.89 | 4.15 | 92.73 | 45.44 |
| SCRIPT X2B8 | 真实临床数据 | 2.38 | 51.06 | 74.75 | 0.78 | 96.12 | 56.56 |
| CMA Base | 真实临床数据 | 4.82 | 83.63 | 42.20 | 27.02 | 96.78 | 91.35 |
| Synthea | 规则合成基线 | 12.20 | 20.00 | 93.24 | 5.84 | 79.66 | 35.32 |
| LDP-GAN | 差分隐私 GAN | 10.86 | 30.70 | 91.18 | 1.10 | 85.89 | 46.40 |
| Avatar | FAMD + KNN | 9.03 | 48.43 | 70.42 | 3.74 | 95.22 | 42.84 |
| MERA-Mistral | Mistral-7B-v0.3 | 3.88 | 50.43 | 77.61 | 6.18 | 75.84 | 69.20 |
| MERA-Llama | Llama-3-70B | 3.51 | 50.57 | 77.09 | 8.27 | 82.15 | 97.00 |
| MERA-Qwen | Qwen-2.5-32B | 3.40 | 66.02 | 68.45 | 7.88 | 88.88 | 95.80 |
| Direct (无分层) | GPT-5 | 9.19 | 61.83 | 59.16 | 21.69 | 70.76 | 75.75 |
| Direct (无分层) | Gemini-2.5-Pro | 7.53 | 62.00 | 70.61 | 19.98 | 79.42 | 76.13 |
| Direct (无分层) | Claude-Sonnet-4 | 9.16 | 65.89 | 61.83 | 21.78 | 71.35 | 61.50 |
| Patient-Zero (Ours) | GPT-5 | 4.48 | 76.51 | 52.45 | 23.72 | 99.12 | 99.88 |
| Patient-Zero (Ours) | Gemini-2.5-Pro | 4.23 | 74.15 | 57.64 | 23.36 | 98.89 | 98.91 |
| Patient-Zero (Ours) | Claude-Sonnet-4 | 4.37 | 71.35 | 55.67 | 22.55 | 98.23 | 98.47 |
在动态问诊交互保真度评估中,使用经强化学习训练的专精医生模型 DOCTOR-R1 执行长程对抗性诱导问诊,对比 SOTA 医疗智能体及架构消融设置:
| 方法 | 逻辑一致性 (↑) | 事实召回率 (↑) | 人设对齐度 (↑) | 风格稳定性 (↑) | 幻觉率 (↓) | 抗诱导阻抗 (↑) |
|---|---|---|---|---|---|---|
| EvoPatient (Du et al., 2024) | 87.49 | 9.78 | 80.50 | 32.95 | 5.01 | 94.87 |
| AI Hospital (Fan et al., 2024) | 97.95 | 16.68 | 78.80 | 29.33 | 6.67 | 86.36 |
| MediQ (Li et al., 2024) | 81.83 | 27.04 | 77.20 | 28.03 | 8.46 | 92.86 |
| Patient-Ψ (Wang et al., 2024) | 78.75 | 10.10 | 71.20 | 40.74 | 2.00 | 88.89 |
| 非结构化叙事记忆 (消融) | 90.00 | 15.39 | 60.20 | 61.11 | 4.55 | 87.72 |
| 静态结构化 Schema (消融) | 93.18 | 14.41 | 67.20 | 64.60 | 2.73 | 79.90 |
| 去除双轨认知记忆 (消融) | 81.36 | 7.88 | 61.10 | 46.61 | 10.45 | 69.17 |
| Patient-Zero (Ours) | 100.00 | 33.27 | 83.70 | 75.50 | 1.82 | 97.22 |
在下游医学推理能力验证中,使用 Patient-Zero 合成数据监督微调 Qwen3-8B,并在 MedQA 与 MMLU 临床医学子集上进行测试: - Med42-v2-8B: MedQA 62.50%, MMLU 59.50% - UltraMedical-8B: MedQA 74.00%, MMLU 68.50% - Baichuan-M2-32B: MedQA 82.50%, MMLU 84.00% - Qwen3-8B (Zero-shot Base): MedQA 61.00%, MMLU 69.50% - Qwen3-8B + 真实数据训练: MedQA 83.50%, MMLU 85.50% - Qwen3-8B + Patient-Zero (Ours): MedQA 85.00% (+24.0% 相对基座), MMLU 83.00% (+14.5% 相对基座)
在三甲医院资深专科执业医师进行的双盲人机区分测试中,真实人类病历被判断为人类撰写的比例为 75.0%(25.0% 真实病历因书写混乱或漏项被误判为 AI),而 Patient-Zero 合成病历被判定为人类撰写的比例高达 60.7%(专家评分员一致性系数 Krippendorff's \(\alpha = 0.93\))。在 5 分制量表评分中,Patient-Zero 在信息丰富度(3.85 vs 真实数据 3.45)、一致性(3.90 vs 真实数据 3.70)与完整性(4.00 vs 真实数据 3.15)均显著超越真实病历。
消融实验¶
为了量化验证分层合成机制中各关键组件的贡献,作者以 GPT-4.1 为生成骨干对六大临床专科进行阶段级消融分析(每种配置针对每个专科生成 200 份病历取均值):
| 实验配置模式 | Self-BLEU (↓) | 实体多样性 (↑) | 临床一致性 (↑) | 临床完整性 (↑) | 说明 |
|---|---|---|---|---|---|
| 仅分层骨干 (Hierarchical only) | 26.64 | 54.06 | 80.46 | 97.72 | 仅保留分层结构,移除采样与验证约束 |
| 去除受控属性采样 (w/o controlled sampling) | 17.86 | 58.44 | 86.26 | 90.49 | 属性生成由 LLM 自由发挥,多样性降级 |
| 去除确定性规则约束 (w/o deterministic rules) | 17.92 | 57.56 | 88.60 | 95.87 | 缺乏生理区间与相容性规则约束 |
| 去除语义逻辑验证器 (w/o semantic verifier) | 21.40 | 57.72 | 84.92 | 96.36 | 失去跨章节语义冲突检查,一致性大幅下跌 |
| 仅在终末执行单次验证 (Final-only verification) | 23.00 | 56.07 | 92.26 | 97.75 | 无法阻断阶段间错误级联,不及逐级重生成 |
| 完整版 Patient-Zero (Full) | 15.27 | 63.33 | 95.86 | 99.55 | 完整结合分层、确定性规则与逐级语义检验 |
关键发现¶
- 双轨认知记忆对长程自洽性具有决定性支撑:动态交互消融中,去除双轨记忆系统导致逻辑一致性骤降 18.64%,事实召回率暴跌 25.39%,抗诱导阻抗下降 28.05%,证明单纯依靠 LLM 上下文缓存无法抵御对抗性多轮问诊的注意力漂移。
- 逐级校验是阻断错误级联的核心防线:在消融实验中,仅在流程末端进行单次验证(Final-only)相比全流程逐阶段检验,其 Self-BLEU 与一致性均显著恶化,表明一旦上游症状或属性出现医学偏差,下游细粒度检验指标将产生严重的滚雪球式错误放大。
- 属性解耦生成打破了隐私加噪引发的模式坍塌:在流行病学拟合卡方检验中,Patient-Zero 在全部 9 个核心特征上均未拒绝原假设(\(p > 0.05\)),Fisher 联合检验 \(p = 0.86\);不仅在单属性边缘分布高度对齐,而且在年龄-肥胖引发高血压等多元协同风险分析中重构出真实的相对风险比(如肥胖且高龄人群高血压相对风险 RR 达 6.37),打破了以往差分隐私 GAN 常见的多样性受限弊端。
亮点与洞察¶
- 从头因果合成打破隐私与效用两难:彻底摒弃真实病例作为生成种子,利用知识图谱与流行病学约束反向具象化病历,既实现了零隐私泄露(Zero-PHI),又使合成病历在完整度与系统性上超越了真实病历常见的书写缺陷。
- 认知科学启发的双轨记忆闭环设计:将静态病历切片为不可篡改的原子语义事实,并引入 NLI 验证器对开放式交互进行“冲突绝对拒绝、中立单调扩增”的门控控制,巧妙化解了虚拟智能体的稳定-可塑性难题。
- 抗诱导性与反顺从性机制的可复用范式:虚拟患者在问诊中抵制医生误导性提问(Leading Questions)的测试框架与设计思想,可直接迁移至法律咨询智能体、心理咨询督导模拟等高度依赖事实忠实度的垂直智能体开发中。
局限与展望¶
- 作者承认的局限:模型合成的患者病历具有“理想化偏见”(Idealization Bias),虽然结构完整严谨且深受医生青睐,但缺乏真实世界病历中由于人为书写疏漏、方言俚语及突发意外产生的非结构化噪声,其对模型抗噪鲁棒性的泛化影响仍需深入研究;目前系统仅支持单模态文本,尚未拓展到影像放射像素与生理波形时序等原生多模态数据。
- 自行审视的局限:NLI 验证器依赖冻结大模型作为判决器,在面对某些罕见的微妙时序依赖或复杂多步骤病理因果冲突时(如论文附录提及的主动脉狭窄与先天性瓣膜病的辨析)偶现假阳性误判;此外,系统尚未在真实医院临床住院医师培训教学中进行前瞻性随机对照临床试验(RCT)。
- 改进方向:探索引入原生多模态检查报告生成(集成真实 X-ray、CT 与心电信号合成器);建立自适应噪声注入模块以模拟真实病历的错漏缺陷,并探究合成数据与真实数据在下游推理预训练中的最优混合配比。
相关工作与启发¶
- vs Synthea & LDP-GAN: 传统基于预定义规则引擎的 Synthea 语法单一且缺乏非结构化叙事能力;差分隐私 GAN(如 LDP-GAN)由于注入噪声极易导致特征模糊与模式坍塌。Patient-Zero 基于医学大模型因果级联生成,文本丰富度(Distinct-4 76.51 vs 30.70)与临床有效性全面占优。
- vs MERA 系列: MERA 等开源模型依赖真实病历提示进行重述与扩增,受限于源数据集分布偏差且有隐私外泄隐患。Patient-Zero 实现 ab initio 从头构建,实体多样性达到 23.72(远超 MERA-Qwen 的 7.88),且完全规避了患者再识别风险。
- vs Patient-Ψ & AI Hospital: 既有医疗智能体框架要么专注于心理行为风格模拟(忽视了生理指标与病程演进的客观一致性),要么采用固定提示词脚本而在长程问诊中频发顺从性幻觉。Patient-Zero 引入双轨认知记忆与 NLI 逻辑校验,实现了完美的 100% 逻辑一致性与 97.22% 的抗诱导能力。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ (完全摒弃真实病历种子的从头因果合成范式,结合双轨认知记忆突破稳定-可塑性困境,构思极其精巧)
- 实验充分度: ⭐⭐⭐⭐⭐ (覆盖六大科室98类疾病6万份病历,包含统计学拟合度检验、医生双盲人机区分实验、下游RL训练及医学生可用性调研)
- 写作质量: ⭐⭐⭐⭐⭐ (形式化定义清晰完备,消融与案例对照详实,附录提供了大量可验证的提示词与规则细节)
- 价值: ⭐⭐⭐⭐⭐ (为解决医疗人工智能长期面临的数据稀缺与隐私壁垒提供了极具说服力的可行路径,对医学教学与模型训练意义重大)