医疗领域AI应用亟需评估基准 \* { margin: 0; padding: 0; outline: 0; } body { font-family: "PingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; line-height: 1.6; } .\_\_page\_content\_\_ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .\_\_meta\_\_ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .\_\_meta\_\_ .nick\_name { color: #576B95; } .\_\_meta\_\_ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid #ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item\_show\_type\_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: #576B95; text-decoration: none; cursor: default; } .text\_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture\_content .picture\_item { margin-bottom: 30px; } .picture\_content .picture\_item .picture\_item\_label { text-align: center; } img { max-width: 100%; } .pay\_subscribe\_notice { margin: 30px 0; padding: 20px; background: #fffbe6; border: 1px solid #ffe58f; border-radius: 8px; } .pay\_subscribe\_badge { display: inline-block; padding: 4px 12px; background: #faad14; color: #fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay\_subscribe\_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay\_subscribe\_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .\_\_bottom-bar\_\_ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .\_\_bottom-bar\_\_ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .\_\_bottom-bar\_\_ .right { display: flex; } .\_\_bottom-bar\_\_ .sns\_opr\_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .\_\_bottom-bar\_\_ .sns\_opr\_btn:not(:last-child) { margin-right: 16px; } .\_\_bottom-bar\_\_ .sns\_opr\_btn > img { margin-right: 4px; }

医疗领域AI应用亟需评估基准

原创 恒健知行 恒健知行 2025-06-07 00:00 安徽

原文地址: https://mp.weixin.qq.com/s/XMpKAPVvIPwgiTSam0CoxA

2025年5月29日发布的DeepSeek-R1-0528的模型在MMLU基准测试中拿下83.7分，仅比GPT-4o3低1.3分，却以1/5的参数量实现97%的等效性能。

非常庆幸国产大模型能够取得这么好的成绩，我的工作中已经少不了大模型“牛马”。

一、基础大模型有判断标准

一个新的模型的发布需要与现存大模型进行比较，比较的基准如MMLU、MMMU、MATH和HumanEval，这些基准也就是考试，MMLU测试涵盖57项任务，包括基础数学、美国历史、计算机科学、法律等领域。为了在该测试中获得高准确度，模型必须具备广泛的世界知识和问题解决能力。

更多的基准可以参考：

https://zhuanlan.zhihu.com/p/696867429

https://zhuanlan.zhihu.com/p/694361831

在统一的基准进行考试，谁考的好，自然模型也更优秀。在多项考试中都取得好成绩，自然是最好的模型。

二、医疗大模型的准确性问题

医疗垂直领域，国内也发布过不少大模型，各有千秋，如：

1.华为RuiPath病理大模型：

2025 年，该医疗大模型正式启动开源，成为国内医疗行业首个全面开源的垂类大模型，并在权威医疗评测集 MedQA 上获得 88.9 的高分。MedQA是一个医疗行业评价标准。

2.影像诊断方面

腾讯启元重症大模型，在ICU场景中读取患者生命体征数据生成“数字画像”，辅助诊疗决策准确率达95%。这个准确率容易让人误解。

3.讯飞星火医疗大模型X1

相关文章提到该模型在诊断推荐、检查报告解读、健康咨询三大核心任务中，推理准确率超过GPT-4o和DeepSeek R1。 这里与GPT-4o和DeepSeek R1比较就不合适，人家是基础模型，模型之间的定位不一样。还是应该给出MedQA或其他医疗行业评价标准评分。

4.京东健康“京医千询”大模型

在权威医疗评测集MedQA中得分88.9，为国内开源医疗大模型最高分。

三、Deepseek - r1 之后医疗领域出现的 AI 应用

聚焦大模型在临床诊疗智能化方面的应用，主要体现在以下几个关键领域：

1.辅助诊断：通过分析症状、病史、检验 / 影像数据，为医生提供鉴别诊断建议，助力精准诊断。

2.病历管理：实现自动生成门诊 / 住院病历、病历质控、合理用药等功能，提高病历管理的效率和质量。

3.术前评估：依据病历资料进行麻醉术前评估，为手术的顺利开展提供重要参考。

这些应用与临床诊疗紧密相连，直接关系到医疗质量和医患纠纷，所以其准确性至关重要。有文献显示，MedRAG 误诊率达到 2.1%；RAG 术前评估一致性达 96% 。但站在患者的角度，医疗事故只有 “0 和 1”，这样的准确率接受度到底如何呢？

目前，各家医疗信息化厂商推出的大模型助手、病历生成、辅助诊断等与临床相关的应用，很多功能都标注为 “辅助”，需要医师确认。可如果一个内容的准确率达到 90% 以上，医生还得花费大量精力去查找剩余 10% 的错误，工作量反而可能增加，这就导致医生或许会选择自己重新完成，或者直接默认通过不仔细检查。而这，很可能就是医疗事故的潜在隐患。

因此，医疗临床 AI 场景应用亟需建立标准化评估框架，制定公共基准，统一检测幻觉（hallucination）和错误率的方法，并设置误差容忍度基线。只有这样，才能让医疗大模型更好地服务于临床诊疗，保障患者的健康与安全。

恒健知行

 阅读 赞  分享 ’%3E %3Cg transform=‘translate(0 -2.349)’%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=’%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=’%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言