CASE 取证框架

CASE：从给定证据到自主取证的纵向医疗推理

作者

快速导读：CASE 把纵向医疗推理改写成患者环境中的自主取证，用 RSFT 加 agentic RL 训练紧凑视觉语言策略，并在 UK Biobank 基准上超过若干前沿模型。

多数医学基准把证据预先塞进上下文，再考模型会不会答；可纵向临床推理的难点恰恰在于：证据散落在病历、测量与跨随访多序列 MRI 里，智能体必须先决定检查哪些访视、器官、模态和切片，才能下结论。固定上下文问答测不到这种“先取证、再综合”的能力。

CASE（arXiv:2609.39566 ，Durham / 阿里达摩院等）提出角色化 Clinical Agents for Seeking Evidence：共享紧凑视觉语言策略，在患者级工具环境中自主取证，并用 RSFT + agentic RL（OPSD 与量规 RLAIF）在 UK Biobank 纵向基准上训练。请注意：这是研究基准与策略学习，明确不是可部署临床诊断产品。

英文题目：From Given to Gathered Evidence: Agentic Learning for Longitudinal Medical Reasoning

论文出处：arXiv 每日论文精选 · arXiv:2609.39566

原始论文：PDF / 论文页面

这篇论文解决什么问题？

纵向推理要求比较同一患者环境中的不同取证路径：只看报告、只看基线、或跨访视对照，结论可能完全不同。若评测始终给出“正确答案所需的那几张图”，模型可以背答案模式，却学不会调查策略。

相关工作里，静态医学 QA 提供文本或图像；交互式基准引入记录操作与信息收集；多智能体系统则常靠编排固定专科。缺口是把跨访视多模态取证定义成可学习策略，并让紧凑模型在自身交互中超越教师模仿。

因此需要：患者特异环境、可调用专科工具、角色分工，以及不规定工具序列却能强化证据到结论逻辑的训练信号。

核心创新

  • 把纵向医疗推理重定义为交互式证据寻求，而不是固定上下文问答。
  • 用共享策略+角色提示与工具注册表，实现放射、解剖、会诊三类取证工作流。
  • 在自身环境交互上用 OPSD 与量规 RLAIF 超越教师模仿，训练证据到结论综合。
  • 构建 UK Biobank 纵向多模态基准，使跨访视取证路径可比较、可学习。

方法概览

CASE 用共享 Qwen3-VL-8B 策略实例化 Anatomist、Radiologist、Consultant 三角色，在患者级工具环境中交替取证与观察。先以 14,734 条前沿模型轨迹做 RSFT 初始化，再在自身轨迹上做 agentic RL：正确性与格式奖励之外，加入特权在线自蒸馏 OPSD 与外部裁判量规 RLAIF，强化证据到结论的综合，而不规定工具序列。基准基于 UK Biobank，含 4,739 名参与者、50,401 道 ICD-10 驱动临床题，并链接基线与随访多序列 MRI。本文为研究基准与策略学习，明确不是可部署临床产品。

  • 基准基于 UK Biobank：4,739 名参与者、50,401 道由真实 ICD-10 诊断衍生的临床题；每题绑定含基线与随访多序列 MRI 的患者环境，智能体自行选择访视、器官、模态、切片与工具。
  • 训练两阶段。RSFT：从前沿模型交互中筛选约 14,734 条轨迹，蒸馏到 Qwen3-VL-8B-Instruct，快速学会如何当智能体调用工具。Agentic RL：策略在自身环境交互上优化，奖励含正确性与格式，并加入 OPSD（用答案特权视图对整条轨迹重排，强化综合质量）与外部非祖先裁判的量规 RLAIF（洞察有效性）。
  • 执行上，同一共享策略通过角色提示与工具注册表实例化为三种工作流：Radiologist 选序列并对比访视影像；Anatomist 用分割测量与叠加评估纵向变化；Consultant 结合 MedGemma 报告、证据核验与技能记忆。通用循环按 P1 计划→P2 基线→P3 变化→P4 洞察→P5 作答推进。
  • 特权信息只用于训练期给完成轨迹打分，从不直接规定工具序列，从而让策略学习“找什么”和“如何从找到的证据说话”。

逐图理解论文

给定证据的盲区

给定证据的盲区
Figure 1 The CASE longitudinal evidence-seeking benchmark. Fixed clinical targets are paired with heterogeneous patient environments. (1) Cohort, task, and raw-recording composition. (2) Clinical domains and answer formats. (3) Five organ-specific MRI protocols. (4) Paired-visit age, task density, and agent visual load. (5) Multi-organ coverage. Raw recordings precede training selection; W/H/P/B/L denote whole body, heart, pancreas, brain, and liver. Zoom in for details.

图1是纵向取证基准总览：环形图给出约 4,739 参与者、50,401 题与三角色轨迹规模；Sankey 连接临床域与答题格式；解剖图覆盖脑/心/肝/胰/全身 MRI；并展示双访视年龄间隔（中位约 2.26 年）与器官组合。宜说明评测不是单图问答。

CASE 取证框架

CASE 取证框架
Figure 2 CASE training and execution. (1) Two-stage training: RSFT distills screened teacher trajectories into Qwen3- VL-8B-Instruct, then agentic RL refines the policy on its own trajectories via outcome reward, OPSD, and RLAIF from an external non-ancestor judge. (2) One shared policy instantiates three evidence-seeking workflows through role prompts and tool registries. (3) A common contract alternates evidence decisions and tool observations until the P1–P5 synthesis. Privileged information scores completed training trajectories only and never determines the tool sequence.

图2是方法与执行主图：左侧 RSFT 再 agentic RL（OPSD+RLAIF）；右上三角色工具箱与工作流汇入 P4 洞察与 P5 作答；右下通用取证循环。宜作特色图。

关键证据

关键证据
Figure 3 Correctness reward, steps 1,000–1,912, for CASE- 8B (teal), GRPO+OPSD (red), and GRPO+RLAIF (blue). The band marks GRPO+RLAIF’s late collapse without the OPSD brake; full epoch in figure 7.

图3对比 CASE-8B、GRPO+OPSD 与 GRPO+RLAIF 在约 1000–1912 步的正确性奖励；高亮带标出无 OPSD 时 RLAIF 后期坍塌，支撑“两信号需一起用”的消融结论。

实验如何设计？

  • 主表在癌症、糖尿病、心血管、高血压、ICD 条件与病史等层域上报告三角色平均的 Binary/Single/Multi-select 准确率，以及 Micro/Macro 聚合；对照医学专用模型与 Kimi、Qwen、Gemini、GPT-5.4、Claude Opus 4.8 等。
  • 消融从共享 RSFT 初始化出发，比较 GRPO、RLAIF、OPSD 的组合；另用固定外部裁判报告 insight 分，并用训练曲线观察无 OPSD 时的坍塌。
  • 补充证据依赖（限制可及证据或去掉 MRI/随访/报告）与交互效率（回合数、截断、无效 JSON），以确认收益来自取证而非更大预算或格式投机。

关键结果与论文证据

  • Table 1：CASE-8B Micro 76.1 / Macro 75.1，高于 GPT-5.4（65.3/65.7）与 Claude Opus 4.8（68.6/65.8）；摘要称在匹配评测下相对提升分别超过约 16% 与 10%（页9）。
  • 相对未训练 Qwen3-VL-8B（46.0/47.1）提升巨大，说明取证策略学习远超“原样 8B 问答”。
  • Table 2：RSFT 单独 65.7/65.0，逐步加入 GRPO、RLAIF、OPSD 后到 76.1/75.1，Insight 0.43→0.68，显示两信号互补（页10）。
  • 图3：无 OPSD 的 GRPO+RLAIF 在后期 correct reward 明显坍塌，CASE-8B 保持高位，说明 OPSD 充当量规优化的刹车（页10）。
  • 定性轨迹中，Consultant 会质疑过度报告并补动脉期/洗脱证据后再拒答错误印象，把聚合增益落到可解释调查行为。

阅读时需要注意

  • 部分标签可能无法由可用影像观察到；生成证据与裁判仍会出错。
  • 队列外泛化、更广工具集与效率仍待验证。
  • 再次强调：本文交付的是研究框架与基准，不是临床产品或诊疗建议系统。

关联工作

  • 静态医学 QA 代表“给定证据再答题”的评测范式。
  • 交互式临床智能体基准引入信息收集，但少有纵向多序列 MRI 取证策略学习。
  • 特权/在线蒸馏与 GRPO 系方法提供训练信号设计背景；CASE 强调轨迹级综合质量重排。

发表评论