『观察』上海人工智能实验室发布 新版中文医疗大模型权威评测平台

近日，上海市人工智能实验室发布中文医疗大模型权威评测平台MedBench 4.0，这是国内首个面向垂直大模型、专用大模型、应用场景的医疗大模型评测与验证体系。业内人士介绍，MedBench 4.0为衡量医学AI产品性能与可靠性提供了科学标尺，保障了医疗人工智能产品质量的提升与行业良性竞争。

据悉，中文医疗大模型权威评测平台MedBench首发于2023年年中，目前更新至第四版。上海人工智能实验室医疗和评测中心负责人徐捷介绍，本次升级包含大语言模型、多模态大模型及智能体三大技术范式，深度对齐国家《卫生健康行业人工智能应用场景参考指引》，覆盖60个全自主构建评测集，共70万余专业评测题。

记者从上海市人工智能实验室了解到，针对大语言模型评测，平台围绕医学知识问答、语言理解、生成、复杂推理及安全伦理等维度构建了评测集，并创新引入科学指标体系，以缓解模型信息遗漏或幻觉生成等问题对评测结果的影响；针对多模态大模型评测，瞄准医疗影像、检测报告等临床核心场景，平台可覆盖目标检测、图像分类、多模态报告质控、序列影像理解、病程动态追踪等10项细分任务，填补了中文医疗多模态评测领域的技术缺口；针对智能体评测，平台则重点解决智能体执行断层的问题，推动医疗智能体从“能对话”向“能执行、能协作”演进。

对于医疗大模型评测的意义，徐捷告诉记者，评测首先可以验证医疗大模型的合规性，其次是验证其专业性，比如会不会误诊、漏诊或者开错药，最终帮助市场更好地训练出优质的医疗大模型。

记者注意到，目前，不少通用大模型如深度求索、千问等都可以分析体检报告和检查报告。那么，医疗大模型的价值何在呢？

对此，徐捷介绍称，主流通用大模型可以满足日常健康咨询。评测显示，国内头部通用大模型的医学能力已经超过国外同类产品。但对于需要给出专业判断的医疗场景，例如要做哪些检查、如何解读报告、应开什么药或者中医方剂等，大模型还需整合大量医学数据、专家医案和临床经验等语料。医疗大模型能高效处理海量信息，提供循证参考，有助于提升医生诊疗水平、补足基层医疗短板，进而实现医学普惠。

除推出权威评测平台，上海人工智能实验室还联合专业医疗机构和相关企业，推出了儿童眼病智能筛查与精准干预系统、胃肠多模态辅助诊疗大模型等医疗人工智能应用。