CASE论文：不喂证据，AI医生靠主动查病历诊断更准

这种医生，你碰上过没有。

带着一沓检查报告去看病，医生瞟一眼报告就下了诊断。看着挺利索，可心里总不踏实：要是这份报告没带呢，他还能瞧出毛病来吗？假如真正的病根埋在3年前某次检查里，他会主动去翻吗？

眼下这些AI医疗模型，差不多就是这种“看报告型医生”。

化验单、CT片子、病史，全打包塞给它，它就在这堆现成材料里找答案。这么做本身没毛病，可它遮住了一项更要紧的本事：面对一个真实病人，医生得自己拿主意去查哪些资料、比对哪几次检查，甚至要察觉“这份报告措辞有点含糊，得再确认一下”。

这跟知识无关，是侦查的事。

偏偏现有的医疗AI评测，测的几乎全是知识，侦查能力没人测。

杜伦大学、阿里达摩院等机构的研究者写了篇论文《CASE》，把这个话题摆上了台面。他们的做法说起来不复杂：别再往AI嘴里喂证据，让它自己跑去英国生物样本库的真实病历和影像数据里翻。

**论文要验证的核心问题就一句：一个体量不算大的AI模型，能不能靠学“怎么找证据”，最后诊断得比那些参数量大得多的顶尖大模型还准？**

结论是能，而且赢得不算小。

一、难在哪儿：现有医疗AI到底在测什么

先看看现在的医疗问答测试是什么样子。

PubMedQA、MedQA这些经典数据集，说白了就是考试卷。给一段医学文献摘要，或者一张X光片，再配上问题和选项，让AI挑出正确答案。信息是“喂到嘴边”的，去哪儿找证据不用AI操心，证据已经躺在题目里了。

静态问答基准

*：给定固定的文本或图像材料，让模型直接作答，不涉及主动获取信息的过程。

这类测试的盲点很明显：现实里医生看病不是这个路数。真实诊断中，证据散在不同时间点的检查记录、不同模态的影像，甚至散在病人自己都没当回事的细节里。医生得先定下“该查什么”，再去读查回来的东西。

那在CASE这篇论文出来之前，医疗AI领域走到哪一步了？交互式的尝试已经有一些，比如让AI模拟接诊对话、按步骤开检查单。可这些尝试大多卡在单次就诊的场景里，**跨越数年、对比多次随访影像**的纵向推理很少碰。换句话说，“要不要让AI主动查”这题前面的人解了，“AI能不能看懂十年里病情怎么变”这题更难，还没解。

研究团队把这个缺口叫“纵向多模态推理”，听着抽象，其实好懂。

假设你是个慢性病患者，过去3年做过两次核磁共振。病情是在好转还是恶化，医生靠的不是单张片子，而是把两张片子里同一个器官的体积变化、形态变化摆在一起比。这种对比本身就是诊断的核心证据。可现有的医疗问答数据集，几乎没有真正让模型“自己去比较两次检查”的。

**CASE这篇论文要补的，正是这块拼图。**

二、让AI自己去查病历：一个50401题的纵向病历库

研究团队搭的测试环境建在英国生物样本库（UK Biobank）上，这是个长期追踪数万名参与者健康数据的大型队列研究项目。

英国生物样本库

*：英国的一个大型人群健康研究资源，长期收集参与者的医疗记录、影像检查、基因信息等，供科学研究使用。

规模具体到数字是这样：4739名真实参与者，一共衍生出50401道临床选择题，题目全部取自真实的医生诊断记录和国际疾病分类编码（ICD-10）。

每道题都对应着一个只属于该病人的"证据环境"：心脏、大脑、胰腺、肝脏、全身五个器官区域的核磁共振影像，涵盖基线和随访两次检查，中位间隔2.26年。AI要做的，并非读一段现成的病例描述，而是像医生那样自己拿主意——看哪次检查、看哪个器官、调哪种影像序列，甚至判断要不要动用专门的测量工具来算器官体积变化。

有个细节得单独说一说。研究者是故意把成像资源弄得"稀缺且异质"的：五种器官的影像并非人人齐全，多数人只覆盖两到三组。这个设计很关键，它逼着AI必须根据病人手头实际有什么资料来调整查找策略，没法套一个固定的查询模板了事。

那要是所有病人都配齐了完整的五套影像，会怎样？

AI很可能学出一套"标准动作"：来什么病例都按同一个顺序把五种影像过一遍。这么一来，它学到的是"怎么把固定流程走完"，而不是"怎么判断该查什么"。好比一个只会照着菜单顺序点菜的服务员，今天某个菜卖完了，他就不知道该怎么办了。资料的稀缺性和异质性，恰恰逼着模型学会真正的决策能力。

这个环境里还配了三样工具。第一样是直接看影像，可以调取基线和随访的核磁共振片子做对比；第二样是基于Vista3D生成的器官体积测量和可视化叠加图；第三样是放射科报告草稿，由MedGemma生成。

Vista3D

*：一个用于三维医学影像分割的基础模型，能自动识别影像中不同器官的边界并计算体积。

MedGemma

*：谷歌推出的医疗专用大模型，可以根据影像生成类似放射科医生写的诊断报告草稿。

这些报告草稿里的ICD编码，研究者刻意删掉了。不删的话，AI可能直接从报告里"抄答案"，而不是真正做推理判断。

三、三个"角色",一个大脑：CASE的智能体设计

CASE设计了三个角色化的智能体：解剖学家、放射科医生、顾问医生。

这里有个容易误会的地方：三个角色并不是三个分别训练的模型，也不是开会投票的委员会。它们其实是同一个共享的视觉语言模型，靠不同的角色提示词和不同的工具权限，表现出三种不同的工作方式。

智能体

*：这里说的，是这类 AI 系统：调哪些工具、读哪些信息由它自己定，再拿这些信息去推理、作答；传统模型只能被动接收输入，跟它不一样。

三个角色分工不同。解剖学家负责挑选解剖目标，用Vista3D的测量结果评估病情的纵向变化，工具最多调用4次。放射科医生负责查看基线和随访影像、逐帧对比，最多调用6次工具。顾问医生权限最大，整合所有信息源，还能调用MedGemma报告，并具备一个独特的"技能记忆库"，最多调用12次工具。

技能记忆库

*：这是顾问医生这个角色独有的一套辅助设计：把过去病例里攒下的经验教训存下来，比如"报告里措辞含糊不代表确诊"，之后碰到新病例就调出来对照。

这三个角色不是随便分的，它们构成了证据获取复杂度的递进关系。论文里的数据挺有意思：解剖学家的中位工具调用次数是3次，放射科医生是5次，顾问医生是7次。90%的解剖学家轨迹在4次调用以内结束，顾问医生这边，90%的轨迹要用到9次调用。

这个梯度本身就很说明问题。

想想去医院看病，你挂的是初诊台的分诊护士，还是科室主任的会诊。分诊护士的判断相对简单，确认几个基本指标就能分流，这就像解剖学家只需测量几个关键的体积数据。科室主任的会诊则要翻多次检查记录、对比影像、查阅报告草稿，还得凭经验判断哪些结论值得怀疑，这正对应顾问医生调用工具最多、整合信息源最多的复杂角色设定。

每个角色的最终回答都得遵循同一个五段式结构：计划、多源证据回顾、跨访视对比、核心洞见、最终答案。这个结构并非随意规定的输出格式，而是贯穿整个研究的、从证据走到结论的推理骨架。

四、训练分两步：先学会"动作",再学会"思考"

这是整篇论文最核心的方法设计，值得仔细说清楚。

研究团队没有直接把一个空白模型扔进这个复杂环境里从零摸索，那样效率太低。他们分两步走。

**第一步叫监督微调,目的是让模型快速学会"怎么像个智能体一样行动"。**

先由一个更强的模型 Qwen3.8-Max 在这个环境里完整演示一遍"侦查"流程，每一步调用什么工具、返回什么观察结果、最终如何归纳出答案，都被记录下来，共录得 14万7千多条轨迹。

监督微调

*：SFT 指用现成的高质量示范数据，让模型靠模仿学会某种行为方式的训练手段。

接着按一条筛选规则过一遍：至少调用过一次工具、推理过程又能被外部 AI 评审认可的轨迹被留下，约 14万条，用于训练一个体量较小的 8B 参数模型（Qwen3-VL-8B）。这一步攻的是"形式"——模型得学会怎样发起工具调用、怎样把返回的观察结果接进下一步判断、怎样按五段式结构收尾。不过研究者说得很清楚，这只是模仿，推理能力的真正跃升发生在第二步。

**第二步是智能体强化学习，小模型能不能真正超过老师，就看这一步。**

到这里模型不再照抄录好的轨迹，而是在自己生成的交互里学。调用哪个工具、看哪张影像、何时停下给答案，都由它自己定；最终答案对不对、推理逻辑站不站得住，则变成奖励信号，反过来调整它自己。

这里有个设计上的巧思，叫"重放式环境"。Vista3D 的分割结果和 MedGemma 的报告被研究者提前备好、存进缓存。训练时 AI 每次请求某个病人、某种工具、某组参数，系统直接从缓存里"回放"对应结果，不必每次都重跑一遍吃 GPU 的大模型推理。

重放式环境

*：所谓重放，是用事先备好的缓存数据模拟真实工具调用的返回，省掉重复跑大模型的开销，但 AI 自主决定查什么的过程不变。

这个设计省下的钱不少。假如每次工具调用都得实时跑 Vista3D 和 MedGemma，一次强化学习训练要烧掉的 GPU 时间会猛涨。好比考驾照时用模拟器练倒车入库，不必每次开真车去真停车场，模拟器里的路况与真车一样精确，却不用加油、不磨损轮胎。说白了，没有重放这套设计，整个强化学习训练很可能因为成本太高而根本跑不起来。

五、模型会"卡壳"：一个意外发现和它的解决方案

训练中出现了一个挺有意思的现象。研究者发现，到了中后期，模型会突然"犯病"：先前说过的发现被它一遍遍重复，"然而""因此"这类连接词反复用，结论却迟迟不给。与此同时，正确率也跟着骤降。

研究者的解释很直白：参数量不算大的模型，往往先学会"解释的样子"，还没学会怎样稳定地得出正确答案。它对答案没把握时，最省力的选择就是继续绕圈子，而不是冒险下结论。根本矛盾在于，模型模仿到了论证的腔调，却还没真正完成论证。

为处理这个问题，研究者设计了一套机制，叫"特权式在线自蒸馏"，简称 OPSD。

在线自蒸馏

*：同一段推理，模型要从两种"视角"各打一次分——一种是正常视角，另一种是额外看到参考答案的"特权视角"，两者之间的差异被用来引导模型，而不是把答案直接塞给它。

具体操作是这样的：模型自己生成的每一段推理，系统都用同一个模型快照算出两组概率分布——一组是正常情况下模型认为下一个词该是什么，另一组是给它多看一份参考答案提示之后，模型认为下一个词该是什么。

论文里有个案例很能说明问题。一名病人的推理卡进了"这些发现不足以诊断糖尿病，这些发现不足以诊断糖尿病……"的死循环。正常视角下，"这些""发现""不"这类词被模型打了很高的概率；可一旦多看答案提示，概率就转向"因此""鉴于""选择"这些推动结论的词。

两种视角分歧越大，说明模型越是在原地打转。系统把这个分歧量化成一个惩罚值，从奖励里扣掉。它并没有告诉模型"答案是什么"，只是让模型意识到：自己眼下这句重复的话，在已经知道答案的人看来根本不会这么说。

这个机制为什么重要？可以想象写作文写到一半不知怎么收尾，于是把同一句话换个措辞反复重写，就是不肯落笔写结论。这时旁边有位编辑，看完你写的内容和你本该得出的结论，说一句"你现在这样写，跟你该写的方向完全不是一个调调"，你便知道自己是在拖延，方向也就调过来了。编辑没替你写下结论，只是让你看到"照已知结论来写，这段话该是什么样子"，差距本身成了提醒。

没有这个机制会怎样？论文的实验数据给了答案：只靠规则反馈、不加这个机制的版本，训练后期出现明显的奖励崩溃，正确率曲线在最后三分之一的时间段里急剧下滑；加上这个机制后，崩溃完全没有出现。

六、让AI学会"自我怀疑"：规则化反馈的作用

除 OPSD 之外，CASE 还搭了另一层反馈，来自一个没参与训练的外部大语言模型评审（Kimi K2.6）。

评分围绕模型交出的"核心洞见"展开，看证据够不够具体、逻辑推演顺不顺、最终答案有没有被真正撑起来、论证完不完整。

设计里埋了一个"关联奖励"。只按正确率给奖励，分不清"蒙对"和"真推出来"；只按规则打分，模型又可能钻空子，写出通顺漂亮、可逻辑上根本托不住答案的"洞见"，把外部评审骗过去。这两种漏洞，它都想堵。

具体做法是：同一道题做8次尝试，取评分最高的两次，只有这两次的答案同时正确才额外加分；评分高但答案错，反倒扣分。

**这条规则封死的是"写得好看却说得不对"的捷径。**

好比考试，学生答题步骤写得条理清楚、字也工整，最后算出的结果却是错的，老师不会因为过程好看就多给分，反而会点出来：过程看着顺，推出来的结论不对，说明中间某个环节出了岔子。过程和结论都站得住，才配得上高分。

七、结果如何：8B小模型打败了多个顶尖大模型

设计讲了这么多，实际跑出来是什么水平？

论文的核心对比数据很扎眼。CASE训出来的8B参数模型，整体准确率76.1%（微平均）、75.1%（宏平均）；几个顶尖大模型分别是GPT-5.4的65.3%、Claude Opus 4.8的68.6%，连生成训练轨迹的"老师"Qwen3.8-Max也只有59.7%。

**换成相对提升，CASE比GPT-5.4高出超过16%，比Claude Opus 4.8高出超过10%。**

这组数字说明什么？在这类要主动翻病历、比对多次检查的纵向推理任务上，一个8B参数的小模型，凭专门练出来的"怎么查证据"的本事，赢过了参数量大得多、知识面广得多的通用大模型。赢的不是知识储备，是侦查策略。

交互成本也不高。效率对比显示，CASE答完一轮平均调用工具5.1次，失败率2.6%；对照组里没经过CASE训练的原始Qwen3-VL-8B-Instruct，失败率高达21.4%。可见它的准确率不是靠没完没了地调工具、堆推理长度换来的，是真学会了高效地找对证据。

研究者还专门做了一组对照实验，看AI是不是真依赖自己查到的证据、而非靠先验猜测蒙答案。他们设置了只给问题不给病历、只给初始病历不给工具、塞一个固定证据包不让自主选择等几种受限情况，每一种下准确率都明显下降。这说明AI的高分不是"题目本身有规律可循"，而是真得自己去把该查的证据查出来。

八、消融实验：每个组件到底贡献了多少

论文把监督微调、强化学习基础、规则化反馈、特权自蒸馏四个要素逐一叠加，拆开看每一步各带来多少提升。

只做监督微调是65.7%（微平均），加上基础强化学习到69.3%，再加规则化反馈到70.6%、或加特权自蒸馏到73.8%，两个都加上，就是完整版CASE的76.1%。

这串数字讲的故事很清楚：**基础的模仿学习只是起点，能力真正往上跳，靠的是让模型在自己的交互里反复试错、反复修正。**

两个反馈机制单用都有效，叠在一起效果最好，说明它们治的是两个不同的毛病：规则反馈把模型往"写得好"的方向推，自蒸馏机制则防它在过程中掉进重复的死循环。互补，不重叠。

写在后面

读这篇论文，最触动我的不是最终的准确率，而是那个"模型卡壳重复"的意外发现。

这很容易让人想到自己拖延症发作的样子：明知该下结论了，却总想再补一句"但是""然而"，好像多绕几圈就更有把握。研究者没粗暴地去罚"话太多"，而是去想这种重复背后的认知机制——一个还没学会可靠下结论的系统，会拿重复来躲开不确定性。这个洞察本身比技术方案更有意思。

还有个细节值得单说。论文里他们故意让每个病人的影像资料"不完整"，有人只有肝脏影像，有人缺了全身扫描。这种刻意制造的稀缺，其实是在逼AI学会"看菜吃饭"，而不是套一套固定的检查流程。很多AI系统的"智能"假象，来自训练数据本身的规整；条件一旦变得真实、残缺、不对称，不少看似聪明的系统立刻露馅。CASE选择直面这种不完美，而不是绕开它，这个态度本身值得记一笔。

论文也留了没彻底解决的问题。比如那个用来打分的外部评审AI，本身也可能带偏见或盲点，研究者承认了，但没给出根本解法。更根本的一个问题是：这套系统学会的"查证据"策略，究竟对应人类医生的临床直觉，还是只是在这个特定测试环境里有效的统计规律？这恐怕要更长时间、更真实的临床场景才能回答。

一个AI系统学会了"该去查什么"，它离真正理解"为什么要查这个"还有多远？

Q&A

Q1：CASE是什么？

A：CASE是杜伦大学、阿里达摩院等机构提出的医疗AI研究框架，核心是训练一个8B参数的小型视觉语言模型，让它在真实病历和纵向核磁共振影像中主动查找证据，而不是靠预先给定的信息回答临床问题。

有人会问，CASE只有8B参数，凭什么能打赢GPT-5.4、Claude Opus 4.8这类大模型？答案在训练方式上：CASE专门让模型学会自己决定该翻哪些检查、该比对哪些访视记录。经过这种针对证据获取策略的强化学习训练，它在需要主动调查的纵向医疗推理任务上，表现超过了知识面更广、却不擅长主动查证的通用大模型，相对提升分别在16%和10%以上。

那CASE的医疗数据是打哪儿来的？来自英国生物样本库（UK Biobank）。其中收录了4739名真实参与者的医生诊断记录和ICD-10编码，并由此衍生出50401道临床选择题。每道题都对应着该病人的两次核磁共振影像——基线和随访各一次。