MentalHospital: A Virtual Environment for Evaluating Psychiatric Clinical Encounters¶

会议: NeurIPS 2026
arXiv: 2607.08257
代码: https://github.com/xxx
领域: 医学图像
关键词: 精神医学, 临床交互环境, 标准化病人, 技能增强, 双轨评测

一句话总结¶

本文提出了 MentalHospital，首个基于真实电子病历并贯通主观问诊、客观检查、诊断评估与治疗规划（S.O.A.P.）全流程的虚拟精神科评测环境，并构建了专业对齐的五维评测器套件 MentalEval，系统揭示了大模型在精神状态检查与客观临床能力上相较人类专家的显著差距。

研究背景与动机¶

大语言模型在精神健康领域的特定子任务中展现出令人瞩目的潜力，例如心理健康对话、病历信息抽取、单步诊断推理以及治疗方案推荐。然而，现有的评测基准普遍局限于孤立任务或单向问答，难以反映真实精神科临床接诊所需的闭环综合能力。真实临床不仅要求医生在多轮互动中捕捉病人的主观陈述，还需要主动发起针对性的辅助检查、动态推断多维度精神状态、整合错综复杂的病史形成临床病历，并据此给出严密的层级诊断和个体化处置方案。这种从“孤立能力”到“连续临床接诊”的断层，使得当前学术界对大模型临床可用性的评估充满了幻觉。

要构建高保真的虚拟精神科接诊环境，面临三个根本性瓶颈：其一是接诊流程的不完整性（Encounter Incompleteness），过往的医疗交互仿真往往局限于浅层的医患问答，无法覆盖客观检查开具、结构化病历书写及多级鉴别诊断等后续关键临床动作；其二是临床数据的虚构与不真实（Data Inauthenticity），大多数基准依赖合成数据或网络碎片化文本，缺乏多中心真实病例中复杂的共病特征与真实检验结果；其三是虚拟病人的扁平化与机械化（Patient Simplification），传统的受试智能体通常只是被动应答的事实容器，无法逼真呈现精神障碍特有的症状表征风格、言语阻滞、防御情绪以及动态自传体记忆回忆过程。

针对上述挑战，本文由六所临床医学中心协作，基于 1,193 例覆盖 ICD-11 全部核心精神障碍门类及 76 种细分疾病的真实脱敏电子病历，构建了首个标准化虚拟精神科接诊环境。核心 idea：将精神科临床完整的 S.O.A.P. 闭环接诊流程式建模为序列化虚拟交互环境，结合技能增强的标准化病人与双轨评测体系，并通过专家对齐的专业评测器套件 MentalEval 实现兼顾客观循证与主观临床质控的可扩展评测。

方法详解¶

整体框架¶

MentalHospital 将临床经典的 S.O.A.P.（主观问诊 Subjective、客观检查 Objective、诊断评估 Assessment、治疗规划 Plan）接诊全流程形式化为条件序贯交互环境 \(\mathcal{E}_c = \{\mathcal{P}_c, \mathcal{M}^{\mathrm{exam}}_c\}\)。环境输入为脱敏病例 \(x_c = \{\mathcal{K}^{\mathrm{pat}}_c, \mathcal{K}^{\mathrm{exam}}_c\}\)，其中患者侧证据 \(\mathcal{K}^{\mathrm{pat}}_c\) 驱动标准化病人 \(\mathcal{P}_c\)，检查侧证据 \(\mathcal{K}^{\mathrm{exam}}_c\) 驱动医院端检查模块 \(\mathcal{M}^{\mathrm{exam}}_c\)。受测的医生模型必须在完全隔离真实病历和金标答案的黑盒条件下，按阶段与环境进行多轮交互并生成最终动作集 \(\hat{y}_c = \{\tau_c, \hat{\mathcal{A}}^{\mathrm{exam}}_c, \hat{n}_c, \hat{d}_c, \hat{p}_c\}\)。

整个接诊流程与评测架构包含三个核心阶段和一套双轨评估体系：首先，在主观问诊阶段，医生与标准化病人进行多轮对话，病人依据角色设定、精神状态表现技能与自传体记忆动态吐露病史；其次，在客观检查阶段，医生主动向检查模块开具辅助检查清单，模块基于真实病历证据返回精确报告；随后，医生整合问诊与检查证据，撰写临床病历、输出带推理链的鉴别诊断，并制定综合治疗计划；最后，环境通过双轨协议进行终验，既比对真实病历参考项计算客观覆盖率，又调用专用的 MentalEval 评测器对交互质量与临床专业度进行五维主观量化评估。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["真实脱敏病历输入<br/>ICD-11 共 76 种精神障碍"] --> B["阶段 1：技能增强标准化病人<br/>表现技能与动态自传体记忆"]
    B --> C["阶段 2：医院辅助检查模块<br/>严格语义映射与客观开单检索"]
    C --> D["阶段 3：病历撰写与诊疗决策<br/>结构化病历、分级诊断与治疗规划"]
    D --> E["双轨评测与 MentalEval 套件<br/>客观循证比对与五维专家对齐主观评估"]

关键设计¶

1. 技能增强标准化病人：症状表现与自传体记忆解耦 传统的对话病人智能体往往将病史全文作为上下文直接输入，导致模型在首轮对话中“竹筒倒豆子”般自曝全部隐私和既往史，或者在被追问细节时凭空幻觉捏造。MentalHospital 将标准化病人配置解耦为三大核心要素 \(\mathcal{C}_c = \{\mathcal{R}_c, \mathcal{S}^{\mathrm{pre}}_c, \mathcal{S}^{\mathrm{mem}}_c\}\)。其中 \(\mathcal{R}_c\) 规范基础人口学与角色边界；表现技能 \(\mathcal{S}^{\mathrm{pre}}_c\) 严格基于电子病历中的精神状态检查（Mental Status Examination, MSE）构建，规范患者的情感基调、眼神接触、应答迟滞、防御心理及思维连贯性；记忆技能 \(\mathcal{S}^{\mathrm{mem}}_c\) 则将患者的生活事件与病程切分为主题级自传体记忆单元。

在问诊交互的每一步，病人维护一个动态活跃的记忆状态 \(m_t\)。记忆更新模块 \(\mathrm{UpdateMem}(m_{t-1}, a_t, h_{t-1}, \mathcal{S}^{\mathrm{mem}}_c)\) 依据医生当前的提问意图判断是维持当前主题还是激活新的记忆单元。当医生仅进行常规模糊寒暄时，病人仅依据活跃角色与表现技能给出简略而贴合其病理状态的回答；唯有当医生提出针对性的精神科探查提问时，相关自传体事件才会被检索并唤醒。最终的观察输出 \(o_t^{\mathrm{pat}} = \mathrm{Render}(\tilde{u}_t^{\mathrm{pat}}, \mathcal{S}^{\mathrm{pre}}_c)\) 同时包含行为学表征与自然口语应答，强制要求受测医生从患者的“说话内容”与“应答应激表现”双重视角推断精神病理特征。

2. 医院端辅助检查模块：约束语义检索与开单痕迹审计 精神科辅助检查（如脑电图 EEG、颅脑 MRI、甲状腺功能、精神科量表等）在排除器质性脑病与辅助鉴别中起决定性作用。如果直接让大模型随意编造检查结果，评测将完全失去循证依据。MentalHospital 设计了受控的医院端检查问答接口 \(\mathcal{M}^{\mathrm{exam}}_c\)。系统将每份病例中所有经过临床专家清洗的真实检验项目以键值对存入 \(\mathcal{K}^{\mathrm{exam}}_c\)。

当医生模型发出辅助检查请求集合 \(\hat{\mathcal{A}}^{\mathrm{exam}}_c\) 时，检查模块采用高精度约束语义映射机制，判定申请项是否在真实病历库中存在。若医生开具了与患者真实检查一致或临床高度等价的检验项，模块才返回原始病历中对应的客观医学报告；若医生开具了未做过的检查或无指征乱开单，系统严格返回“结果不可用（result unavailable）”。该设计不仅规避了未经证实的病理信息泄露，还忠实记录了医生模型的检查开单序列，供后续计算检查覆盖率与过度医疗倾向。

3. 双轨评测机制：客观循证匹配与客观检查覆盖度 为了全面评价接诊质量，评测体系设立了客观对比轨。对于问诊信息收集（Inter.）、辅助检查开具（Exam.）以及临床病历撰写（Note），评测将医生模型的产出与真实病历中由执业精神科医生核验确认的标准检查点（Checkpoints）集合 \(\mathcal{K}_c\) 进行语义蕴含比对。

\[ \mathrm{Coverage}(y_c, \mathcal{K}_c) = \frac{1}{|\mathcal{K}_c|} \sum_{k \in \mathcal{K}_c} \mathbb{I}[k \preceq y_c] \]

公式中 \(k \preceq y_c\) 表示病历参考检查点 \(k\) 被医生模型的生成内容 \(y_c\) 语义蕴含。为了防止字面硬匹配造成的漏判，系统采用双重匹配机制：首先以保守的高精度语义相似度阈值 \(\tau = 0.85\) 进行初筛，低于阈值的边缘样本则通过由多模型协同辅助并经过经验验证的仲裁流程裁决。对于最终的疾病诊断，系统进一步计算门类识别准确率（Cate.）与细分疾病排序的归一化折损累计增益（Diso. nDCG），以衡量层级诊断的敏感性与鉴别排序能力。

4. 领域专用评测套件 MentalEval：细粒度量规 SFT 与专家引导 DPO 虽然客观检查点覆盖率能衡量事实召回，但精神科临床过程的核心质量（如共情沟通、问诊推进的逻辑深度、鉴别诊断的严谨性、个体化用药策略）必须依赖专业主观评判。直接使用未经专门训练的通用大模型作为裁判（LLM-as-a-Judge）在精神科专项上表现极差，其二次加权 Kappa 值（QWK）仅有 0.677，绝对准确率仅 22.5%。为此，研究团队开发了基于 Qwen3-8B 的五维专业评测套件 MentalEval（涵盖共情力 Emp.、问诊专业度 Prof.、病历质量 Qual.、诊断严谨性 Rigor、治疗合理性 App.）。

MentalEval 采用两阶段混合对齐训练。第一阶段为细粒度量规 SFT（Rubric-grounded SFT）：针对每个维度制定临床量规 \(\mathcal{B}\)，引入 5 个先进大模型组成裁判团 \(\mathcal{J}\) 对 200 个训练病例产生的 12,000 条轨迹生成评测分析与打分。通过多数共识过滤机制筛选出高一致性样本，并对极端分数（1 分与 5 分）进行边缘重写增强，得到 45,236 条高质量评测思维链数据；第二阶段为专家引导的直接偏好优化（Expert-guided DPO）：将裁判团存在分歧的低置信度候选轨迹直接呈现给执业精神科医生，由专家挑选出最贴合临床真实水准的轨迹作为正例 \(s^+\)，其余作为负例 \(s^-\)，构建偏好三元组 \((z_i, s_i^+, s_i^-)\) 进行偏好对齐优化。最终使评测模型不仅输出标量评分，更附带扎实的临床量规证据分析。

损失函数 / 训练策略¶

在 MentalEval 的两阶段训练中，第一阶段的有监督微调损失 \(\mathcal{L}_{\mathrm{SFT}}\) 最小化金标评测轨迹 \(s\) 的负对数似然：

\[ \mathcal{L}_{\mathrm{SFT}} = - \mathbb{E}_{(z, s) \sim \mathcal{D}_{\mathrm{SFT}}} \log \pi_\theta(s \mid z) \]

在第二阶段，利用执业医师标注的偏好三元组，通过 DPO 目标引导评测器参数向专家偏好分布对齐：

\[ \mathcal{L}_{\mathrm{DPO}} = - \mathbb{E}_{(z, s^+, s^-)} \log \sigma \left( \beta \left[ \log \frac{\pi_\theta(s^+ \mid z)}{\pi_{\mathrm{ref}}(s^+ \mid z)} - \log \frac{\pi_\theta(s^- \mid z)}{\pi_{\mathrm{ref}}(s^- \mid z)} \right] \right) \]

其中 \(\beta\) 为温度控制超参数，\(\pi_{\mathrm{ref}}\) 为 SFT 阶段收敛的参考模型。在微调超参数设定上，所有五维评测器均独立训练 3 个 epoch，学习率设为 \(5 \times 10^{-5}\)，全局批次大小为 64。针对对话轨迹较长的共情与问诊专业度维度，截断长度设定为 16,384 tokens；针对病历、诊断与治疗维度，截断长度设定为 8,192 tokens。

实验关键数据¶

主实验¶

实验评估了包括开源/闭源通用大模型、医疗专用大模型、非医学众包人员、医学规范化培训住院医（Medical Trainees）及高年资精神科主任专家（Human Experts）在内的多组表现。

参评对象 / 模型	问诊覆盖 (Inter. %)	检查覆盖 (Exam. %)	病历覆盖 (Note %)	门类诊断 (Cate. %)	细分疾病 (Diso. %)	共情评分 (Emp. 1-5)	问诊专业 (Prof. 1-5)	病历质量 (Qual. 1-5)	诊断严谨 (Rigor 1-5)	治疗合理 (App. 1-5)
Human Experts	82.35	91.90	88.67	90.59	83.24	1.22	4.25	4.01	2.54	2.96
Medical Trainees	78.23	71.05	82.91	81.42	72.58	1.63	3.86	3.87	2.33	2.47
Baichuan-M2	51.29	24.76	50.54	80.56	43.19	1.29	2.85	2.91	2.44	3.33
MedGemma-27B-it	43.12	16.05	35.91	32.27	10.10	2.05	2.83	2.67	2.33	3.17
GPT-5.5	69.06	22.99	45.44	70.23	49.85	1.50	3.63	3.66	2.21	3.48
Claude-Sonnet-4.6	30.44	21.28	34.81	50.28	34.57	1.72	3.39	2.70	2.22	3.17
DeepSeek-V4-Pro	30.95	21.93	56.46	26.20	20.85	2.09	3.48	2.91	2.39	3.29
QwQ-32B	30.40	10.87	32.30	44.53	26.39	2.13	3.72	2.85	3.14	3.40
Qwen3-14B	23.19	8.33	12.12	23.55	15.19	1.96	2.90	2.17	2.20	2.83
Llama-3-8B	19.06	7.94	9.96	18.11	6.08	2.05	2.88	1.93	1.86	2.67

消融实验¶

消融实验围绕标准化病人的构建机制（表 4）与 MentalEval 评测器的两阶段训练增益（表 5）展开。

表 1：标准化病人技能组件消融对比

病人智能体变体	客观覆盖率 (%)	提问精度 (%)	幻觉率 (%)	临床真实感 (1-5)	病人保真度 (1-5)	个体特异性 (1-5)
Naive Prompting (朴素病历提示)	72.40	86.10	7.80	2.12	2.23	1.92
仅表征技能 (Representation Skill Only)	72.40	85.72	9.04	4.12	3.82	3.72
仅记忆技能 (Memory Skill Only)	84.83	91.64	4.52	3.55	3.87	2.77
Full Patient (完整技能增强病人)	88.91	93.27	3.08	4.17	4.05	3.87

表 2：MentalEval 评测器各阶段对齐消融 (测试集专家一致评分样本)

评测器配置	Base (Qwen3-8B) QWK	Base Acc.	+SFT QWK	+SFT Acc.	+DPO (最终) QWK	+DPO Acc.	+DPO MAE
MentalEval-Emp (共情)	0.677	0.225	0.824	0.500	0.926	0.725	0.275
MentalEval-Pro (问诊)	0.705	0.275	0.844	0.550	0.941	0.775	0.225
MentalEval-Note (病历)	0.766	0.400	0.910	0.700	0.940	0.775	0.225
MentalEval-Diag (诊断)	0.828	0.475	0.887	0.725	0.967	0.875	0.125
MentalEval-Treat (治疗)	0.819	0.425	0.928	0.725	0.948	0.800	0.200
平均指标 (Average)	0.759	0.360	0.879	0.640	0.944	0.790	0.210

关键发现¶

大模型客观临床能力显著滞后于人类医生：即便表现最好的医疗专用模型 Baichuan-M2，在客观综合指标上依然落后于医学培训规培生 27.17 个百分点，相较精神科专科主任医师的落后幅度更是高达 37.28 个百分点。
精神状态检查（MSE）是当前 LLM 的最大短板：对主诉（CC）与精神状态（MS）的细分检验表明，模型在主诉事实询问上覆盖尚可（如 GPT-5.5 主诉覆盖率达 85.38%），但面对精神状态检查（如情感反应、知觉障碍细节、思维形式、定向与自知力）时断崖式下跌至 55.72%，难以主动发掘隐蔽的精神病理学征象。
主客观维度的“互补”而非“全优”假象：大模型在纯口头共情（Emp. 2.16 vs 1.22）与方案格式规整度（App. 3.48 vs 2.96）上往往获得高于人类专家的分数，因为专家在真实门诊中更注重高效的目标导向病史探查，而 LLM 擅长华丽的安慰修辞与指南教科书式列举，但在关键病理线索的主动盘问上严重缺位。
病人解耦机制对压制幻觉至关重要：表 4 证明，单纯将病历塞进 prompt 会引发 7.80% 的事实幻觉与严重机械感（真实感仅 2.12）；结合记忆检索技能后幻觉率大幅降至 3.08%，表征技能使真实感跃升至 4.17。

亮点与洞察¶

临床闭环的 S.O.A.P. 全流程仿真：打破了过去医疗智能体研究单一评测多轮对话或选择题的局限，将辅助检查开具与结构化病历书写作为不可或缺的中间件引入，构筑了严谨的虚拟诊室。
精神病理表征与自传体记忆解耦驱动：通过将精神状态检查（MSE）转换为言语节奏与非言语表征技能，避免了虚拟病人“背书式问答”，高度逼真地复现了精神科患者的阻抗、退缩与情感淡漠。
以双阶段对齐构建极高专家吻合度的 MentalEval：通过细粒度量规 SFT 与真实临床专家的 DPO 偏好对齐，将 8B 裁判模型的专家打分加权 Kappa 提升至 0.944，一举解决了主观临床质量评测无法大规模低成本落地的工业界痛点。

局限与展望¶

文本模态的固有局限：精神科临床高度依赖非言语线索（如微表情、语调起伏、动作迟缓与眼神接触）。当前受限于数字人生成技术的病理逼真度不足，环境仍基于纯文本交互，丢失了物理多模态表征。
极端对抗与安全红线压力测试不足：当前基准侧重于常规接诊技能评测，尚未系统引入危机干预极端场景（如急性自伤自杀升级、精神症状煽动强化或违禁精神药品索购对抗）。
未来方向：作者团队计划拓展多模态虚拟精神病人仿真，引入对抗性安全压力测试集，并将环境扩展到社区和基层医疗机构的交互模拟中。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次打通精神科真实病历、全流程S.O.A.P.交互与技能解耦的标准化病人环境。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 12 种主流大模型、多级人类医生与众包对比，消融实验与细分临床指标分析极其扎实。
写作质量: ⭐⭐⭐⭐⭐ 形式化定义严谨，图表详实规范，临床逻辑与计算机仿真结合紧凑。
价值: ⭐⭐⭐⭐⭐ 为精神健康医疗 AI 提供了高保真度基准与专有评测工具链，对临床辅助系统的可信评测影响深远。