答对不算赢？这篇基准把临床推理拆到最细

临床大模型最麻烦的事，不是选错答案，而是“答案对了，理由却乱了套”。MIRA-Ev 直接把评测拆成三层，专门盯住证据、成分和关系，连巴斯克语也拉进来了，属于那种一看就知道不是来凑数的基准。

龙哥读论文发布于 2026-08-14 21:47:07 阅读 3 查看原文

#数据集 #AI应用 #多模态 #NLP

原论文信息如下：

论文标题:
MIRA-Ev: A Benchmark for Granular Evidence Detection and Relational Reasoning in Clinical Exams

发表日期: 2026年07月
发表单位: HiTZ Center, University of the Basque Country (EHU); Hospital Universitario de Cruces
原文链接: https://arxiv.org/pdf/2607.19201v1.pdf

临床NLP的“黑箱”困境：当前评估为何失效？

临床大模型最让人头疼的，不是“答错”，而是“答对了但理由全错”。这件事听起来有点绕，实际非常致命：在医学场景里，结论对不对只是第一关，证据链是否靠谱、是否真的依据病例信息推出来，才决定模型能不能被信任。如果模型只是靠统计关联或表面模式猜对了答案，而实际推理路径与临床逻辑完全脱节，那么它在面对真实患者时，极有可能在关键决策点上给出危险建议。这种“正确但不可解释”的答案，在循证医学框架下几乎等同于无效输出。

问题在于，现有临床自然语言处理评测大多还是停留在多项选择问答上。模型只要把最终选项选对，分数就能上涨；至于它是不是靠了无关线索、是不是忽略了关键症状、是不是把“支持”看成了“反对”，评测系统根本不管。于是出现一种很经典的假象：成绩单看着不错，真实能力却未必过关。更糟糕的是，这种评测方式会反向激励模型去学习“猜题技巧”而非“临床推理”——比如记住某些高频选项模式，或者利用选项与病例文本的词汇重叠来做决策，而不是真正理解病理生理机制。

这篇论文的切入点很直接：既然临床推理本质上是在“找证据、判关系、做判断”，那就别再只盯着最后那个答案了。它提出的 MIRA-Ev，名字里的 MIRA 指的是面向医学推理分析的基准，而 Ev 则强调 Evidence，也就是证据。核心意思很朴素：不是问模型“选哪个”，而是问它“凭什么选这个”。这种转向意味着评测的重心从“结果正确性”转移到了“过程合理性”，而这正是当前临床AI可解释性研究中最缺失的一环。

图1：MIRA-Ev 数据集规模与标注构成统计。可以看到，数据不是简单堆病例，而是把病例、相关句子、论证成分和支持/攻击关系一起整理出来，方便逐层评测模型到底卡在哪一步。这种结构化标注方式，使得研究者可以像“故障诊断”一样定位模型推理链中的薄弱环节。

更有意思的是，这个基准不是拿英语临床语料随便翻译一下就完事，而是同时提供西班牙语、英语和巴斯克语版本。尤其是巴斯克语，几乎可以算是临床论证资源里的“荒漠地带”。论文把它拉进来，说明作者并不满足于做一个英语圈内卷评测，而是想把低资源语言也纳入临床 AI 的真实版图。这种多语言设计不仅增加了评测的难度和覆盖面，也为研究跨语言临床推理迁移提供了宝贵的实验平台。在巴斯克语这样的低资源语言上，模型无法依赖大规模预训练语料中的统计捷径，必须更依赖对临床论证结构的通用理解。

这就引出一个关键背景：医学里的“证据推理”并不是锦上添花，而是安全边界。Evidence-Based Medicine，中文通常译为循证医学，强调的是基于当前最佳证据做决策。临床 NLP 如果连证据都抓不准，那模型再会“猜题”，也只是会做选择题，不会做医生该做的事。MIRA-Ev 正是试图在评测层面拉近 NLP 模型与循证医学实践之间的距离，让模型不仅输出答案，还能展示其推理所依赖的临床证据链。

MIRA-Ev的破局之道：三级任务，细粒度建模临床论证

MIRA-Ev 最聪明的地方，不是“又做了一个医学数据集”，而是把临床推理拆成了三级任务。这个拆法很像把一台复杂机器拆开看：先看哪几个零件有用，再看零件内部怎么切，再看零件之间怎么咬合。这样一来，模型到底是“看不见证据”，还是“找到了证据但切得不准”，还是“证据找到了却不会推关系”，就能被分别定位。这种分层诊断能力是传统端到端评测完全无法提供的，它让研究者能够针对性地改进模型的特定模块，而不是盲目地调整整个系统。

论文主体思路

*表格超出部分左右可以滑动

项目	内容
应用场景	临床考试题、医学问答、临床推理评测、低资源临床 NLP
问题建模	把病例中的证据、候选诊断和支持/攻击关系建模为分层论证任务
模型Backbone及选择原因	EriBERTa-base 双语编码器；适合西班牙语/巴斯克语场景，且对医学术语更友好
损失函数	论文主要报告任务式训练与分类/序列标注目标，未强调复杂联合损失设计
训练数据集	MIRA-Ev 训练集，来自西班牙 MIR 医师资格考试病例
测试数据集	MIRA-Ev 开发集与测试集，含西班牙语、英语、巴斯克语平行版本
训练方法	三级流水线：句子检索、成分抽取、关系分类
实验效果	句子检索尚可，成分抽取中等，关系分类明显偏弱；整体更像“能找点证据，但推理链还不稳”
方法优势	细粒度、可诊断、可跨语言，且能直接暴露模型的推理短板
方法缺点	级联误差明显，关系分类对边界极其敏感，落地还需要更强的鲁棒性

第一层是证据句检索，也就是先判断病例里哪些句子真的和诊断有关。临床病例里并不是每句话都有用，病史背景、无关描述、检查噪声都混在一起。先把“值得看”的句子挑出来，后面才有可能谈推理。这一层本质上是一个二分类或排序问题，模型需要为病例中的每个句子打上“是否与候选诊断相关”的标签。论文中报告的结果显示，这一层的表现相对最好，说明模型在粗粒度证据定位上已经具备一定能力，但依然存在“宁多勿少”的倾向，即召回率偏高而精确率偏低。

第二层是论证成分抽取。这里不再只看整句，而是要把证据中的具体片段切出来，标成前提（premise）或主张（claim）。前提就是症状、体征、化验值这些临床观察；主张则是诊断假设或明确结论。论文还故意保留了一类“反转映射”的案例：正常情况下选项更像主张，但有些题里，选项反而是前提，真正的主张藏在病例里。这个设计很坏，也很妙——它专门防止模型偷懒，不能一看到选项就默认“这一定是结论”。这种反转设计迫使模型必须真正理解论证结构，而不是依赖位置或格式线索。成分抽取任务通常被建模为序列标注问题，模型需要为每个token分配一个标签（如B-premise、I-premise、B-claim、I-claim、O）。

第三层是关系分类。这一步不是问“这是啥片段”，而是问“这个片段和那个诊断之间是什么关系”：支持，还是攻击。Support 表示证据支持选项正确，Attack 表示证据反驳或排除选项。说白了，这一步才是真正接近临床推理的地方，因为医生不是只会圈重点，而是要知道重点到底在帮谁、打谁。关系分类的输入通常是成对的（证据片段，候选诊断），输出是一个二分类（支持/攻击）或三分类（支持/攻击/无关）。论文的实验结果表明，这一层是所有任务中最困难的，宏平均F1分数普遍较低，尤其是在攻击关系的识别上，模型往往难以区分“缺乏证据”和“存在反驳证据”之间的微妙差别。

图2：Jaccard 指数与松弛匹配阈值。这里的公式意思很简单：预测片段和金标准片段的重叠程度，用“交集除以并集”来衡量，若大于等于阈值 τ（论文中取 0.5），就算匹配成功。它的作用是避免因为多一个冠词、少一个标点，就把本来对的答案判成错。这种松弛匹配机制在临床文本中尤为重要，因为医学表达往往允许一定的词汇变体，比如“高血压”和“血压升高”在语义上等价但字面不完全匹配。通过引入Jaccard指数，评测可以更公平地评估模型对语义边界的把握能力，而不是惩罚那些在标点或冠词上略有偏差的预测。

这套设计背后还有一个很现实的工程逻辑：临床论证不是平面任务，而是级联任务。上游句子找错了，下游成分就没法对；成分边界切歪了，关系分类再聪明也会被连坐。MIRA-Ev 不是只给模型出题，而是在拆模型的“推理骨架”。这种级联架构的一个直接后果是误差传播——如果第一层检索的召回率只有80%，那么即使第二层和第三层达到100%的准确率，整体系统的上限也只有80%。因此，MIRA-Ev 的评测结果不仅反映了各子任务的能力，也揭示了整个推理链的瓶颈所在。论文通过消融实验和误差分析，量化了这种级联效应，发现关系分类的性能下降中有相当一部分可以归因于上游成分抽取的边界误差。

图3：MIRA-Ev 的数据构成与任务层级。病例被重新标注为句子、成分和关系三个层次，构成一条从“找证据”到“判关系”的完整评测链条。值得注意的是，数据标注过程中引入了多位临床专家进行交叉验证，以确保标注的一致性和医学准确性。每个病例的标注都经过了至少两轮审核，对于存在分歧的标注点，由第三位资深医师做出最终裁决。这种严格的标注流程保证了基准的高质量，但也反映了构建此类资源的高昂成本。

实验揭秘：边界敏感、误差传播与推理反转的挑战

这部分实验结果很有意思，因为它没有给人“模型已经很强了”的幻觉，反而把短板照得很清楚。严格说，这种结果比一堆漂亮的大数字更有价值：它告诉研究者，问题到底难在哪。论文在实验设计上非常系统，不仅报告了各任务的总体性能，还按语言、按成分类型、按关系类型进行了细致的分层分析，使得结论具有很高的可信度和可操作性。

图4：任务1 证据句检索结果。句子级别的识别已经能做到比较像样的水平，但还称不上“临床推理完成”，因为它只是把候选证据圈出来，还没进入真正的论证结构。具体来看，在西班牙语测试集上，最佳模型的F1分数达到了78.3%，但在巴斯克语上则下降到62.1%，显示出低资源语言上的显著性能差距。有趣的是，英语作为翻译版本，其表现介于两者之间（71.5%），说明翻译质量虽然不错，但依然引入了某些语义偏移。

先看第一层。证据句检索的表现相对最好，说明模型至少具备一定能力去分辨“这句话重要不重要”。但论文也指出，模型有明显的“宁可多捞一点，也别漏掉”的倾向，召回偏高，说明它更像是在撒网，而不是精准打捞。对临床场景来说，这种策略不算离谱，但也谈不上优雅：多抓几句，后面就多背锅几句。论文进一步分析了检索错误的类型，发现假阳性（将无关句子误判为相关）主要出现在包含正常实验室值或阴性发现的句子上，而假阴性（遗漏相关句子）则多发生在那些需要跨句推理才能判断其相关性的复杂病例中。

图5：任务2 论证成分抽取结果，严格匹配与松弛匹配对比。这里最醒目的现象是：一旦允许边界稍微放松，分数就明显上升，说明模型很多时候不是不会找，而是切分边界切得不够准。在严格匹配（精确边界）下，最佳模型的F1仅为45.2%，而采用松弛匹配（Jaccard≥0.5）后，F1跃升至68.7%，提升了超过23个百分点。这个巨大的差距揭示了当前序列标注模型在细粒度边界预测上的系统性缺陷。

第二层的差异更大，也更能说明问题。严格匹配下，模型会被句内边界、标点、连词、冠词这些“小尾巴”狠狠扣分；换成松弛匹配后，分数明显抬升。论文把这件事讲得很直白：模型很多时候其实抓到了临床语义，只是边界不够漂亮。换句话说，它不是完全不会，而是“会一点，但没切整齐”。这种边界不敏感性问题在临床文本中尤为突出，因为医学描述经常包含嵌套结构，例如“患者出现持续性胸痛，伴有向左臂放射”中，“持续性胸痛”和“向左臂放射”是两个独立的前提，但模型往往倾向于将它们合并为一个片段，或者错误地切分。

更关键的是前提和主张的难度差异。主张几乎可以靠候选选项直接定位，所以表现非常高；前提则藏在自由文本里，经常是半句、子句甚至被标点切开的碎片，难度完全不是一个量级。论文里提到，大约 20% 的证据片段是句子内部的子句级表达，这就是为什么传统句子切分器很容易失手。这里没有什么玄学，纯粹是边界太细，机器太粗。具体数据表明，主张的抽取F1（严格匹配）可达72.3%，而前提的F1仅为31.8%，差距超过40个百分点。这种悬殊的差异说明，模型在识别“结论性”内容上相对擅长，但在定位“支撑性”细节上能力严重不足。

图6：任务3 关系分类结果，支持与攻击关系对比。这个表格最扎眼的不是谁高谁低，而是整体都不高，说明关系分类才是整个链条里最难啃的骨头。在所有语言和所有模型配置下，关系分类的宏平均F1均未超过55%，最佳结果也仅为52.4%。更值得注意的是，攻击关系（Attack）的F1普遍高于支持关系（Support），这一反直觉的现象值得深入分析。

第三层几乎可以说是“把模型的推理能力放在显微镜底下看”。结果并不漂亮：关系分类的宏平均 F1 很低，而且支持和攻击之间还存在明显差异。攻击关系通常比支持关系更容易识别，原因并不神秘，因为“反对、排除、否定”这类线索更显性，模型更容易抓到；而支持关系常常更隐蔽，需要结合上下文、病史和医学常识一起判断。论文通过错误分析发现，模型在识别支持关系时，经常将“间接支持”误判为“无关”，或者将“部分支持”误判为“攻击”。例如，当病例提到“患者无发热”时，如果候选诊断是感染性疾病，这个证据实际上起到了攻击（排除）作用，但模型有时会因为它没有直接否定而将其归类为支持或无关。

论文还指出一个很现实的级联问题：前面边界只要错一点，后面关系分类就会被直接拖下水。因为关系分类依赖的是已经抽出来的成分，成分边界一歪，源头和目标都可能不对，关系自然也跟着失效。这个现象很像做手工活：前面剪纸剪歪了，后面再怎么贴花也贴不回去。论文通过对比实验量化了这种级联效应：当使用金标准（人工标注）的成分作为输入时，关系分类的F1可以提升约15个百分点，说明当前流水线中超过四分之一的错误可以归因于上游的边界误差。这一发现强烈建议未来的研究应该探索端到端或联合训练的方法，以减少级联误差的累积。

还有一个很有意思的发现，是所谓“推理反转”案例。正常情况下，模型默认选项是主张、病例是前提；但一旦这种角色互换，很多系统就会明显掉链子。这说明不少模型并不是在理解“论证角色”，而是在依赖位置捷径。说得不客气一点，就是会背题型，不会读题。论文专门构造了一个子集来分析反转案例，发现模型在反转场景下的关系分类F1平均下降了18.6个百分点，有些模型甚至直接崩溃，将所有关系都预测为“支持”。这种对角色反转的脆弱性，揭示了当前模型在论证结构理解上的根本性缺陷——它们更擅长记忆模式而非理解功能。

看到这里，比较容易得出一个结论：MIRA-Ev 的实验不是为了证明某个模型“很强”，而是为了证明现有评测太粗。它把“答对题”和“讲对理”拆开之后，很多原本看起来不错的系统，立刻露出推理链不稳、边界不准、关系不清的问题。这个结果不算讨喜，但很诚实。论文在讨论部分坦诚地指出，当前最好的模型在MIRA-Ev上的表现距离临床可用还有很大差距，尤其是在关系分类和跨语言泛化方面。作者建议，未来的研究应该重点关注三个方向：一是开发更鲁棒的边界感知模型，例如引入span-level的表示学习；二是探索联合训练或端到端框架以减少级联误差；三是利用多任务学习来增强模型对论证结构的整体理解。

总结与展望：通往可信赖临床AI的关键一步

MIRA-Ev 的价值，不在于把某个模型推上排行榜，而在于把临床 NLP 的评测逻辑往前推了一步：从“最终答案对不对”，走向“证据是否充分、结构是否正确、关系是否可信”。这件事看起来像是评测细化，实际上是在给临床 AI 加安全栏。通过提供细粒度的、可诊断的评测框架，MIRA-Ev 使得研究者能够精确地定位模型的弱点，从而进行有针对性的改进。这种“先诊断、后治疗”的思路，与循证医学本身的精神高度一致。

不过，这个基准也没有把自己包装成“终极答案”。它的短板同样清楚：级联框架对上游错误非常敏感，关系分类的难度也说明当前模型离真正可靠的临床推理还有距离。换句话说，MIRA-Ev 更像一面镜子，能照出问题，但不能替模型把问题自动修好。论文在局限性部分明确指出了几个未解决的问题：首先，基准目前仅覆盖了MIR考试中的病例，这些病例虽然经过精心设计，但与真实临床记录在语言风格、信息密度和噪声水平上仍有差异；其次，三级任务的划分虽然清晰，但可能过于简化了临床推理的复杂性，真实的诊断过程往往涉及多步推理和假设检验；最后，跨语言版本的质量依赖于翻译，而翻译可能引入文化或医学实践上的偏差。

如果把它放到行业里看，这类工作特别重要。因为临床场景最怕的不是模型“偶尔不准”，而是“看起来很准”。当评测只看最后一个选项时，系统很容易钻空子；当评测进一步盯住证据链时，模型才会被迫面对真正的推理任务。对后续研究来说，这意味着更鲁棒的边界建模、更合理的跨语言迁移，以及更接近医生思维的关系抽取，都会成为绕不开的方向。MIRA-Ev 的发布可能会引发一系列后续工作，包括但不限于：基于span的边界预测模型、端到端的论证结构解析器、以及融合医学知识图谱的关系推理方法。

如果未来要进一步落地，可能还需要两步：一是把级联误差压下去，让检索、抽取、关系分类之间别互相拖后腿；二是把推理反转、否定、比较这类难点做得更稳。临床 AI 真正值钱的地方，从来不是“会猜”，而是“能说清楚为什么这么猜”。从长远来看，MIRA-Ev 所倡导的细粒度、可解释的评测范式，可能会成为临床NLP领域的标准做法，推动整个领域从“刷榜竞赛”转向“能力建设”。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的不是“模型能不能选对答案”，而是“模型有没有真的根据病例里的证据在推理”。MIRA-Ev 把临床评测拆成证据句检索、论证成分抽取和关系分类三层，专门抓住当前 MCQA 评测看不到的推理质量。具体来说，它解决了三个层面的问题：第一，提供了可量化的证据定位能力评估；第二，揭示了模型在论证结构理解上的边界敏感性问题；第三，暴露了关系推理这一核心能力的不足。这些信息是传统准确率指标完全无法提供的。

J(A,B)≥τ 这个公式是什么意思？这是 Jaccard 指数。A 和 B 分别代表预测片段和金标准片段，交集越大、并集越小，说明两个片段越接近。τ 是阈值，论文取 0.5，意思是重叠达到一半以上就可以认为匹配成功，避免因为一点点边界偏差就把结果判死刑。这个公式在临床文本评测中特别实用，因为医学表达往往允许一定程度的词汇变体，比如“血压140/90mmHg”和“血压为140/90mmHg”在语义上等价，但严格匹配会将其判为不同。通过Jaccard指数，评测可以更宽容地处理这类边界差异，从而更公平地评估模型的语义理解能力。

为什么关系分类分数这么低？主要有两个原因：一是前面的成分抽取边界不够准，错误会一路传到下游；二是支持/攻击关系本身比句子分类难得多，需要理解否定、排除、比较等复杂临床逻辑。简单说，这一步考的不是“找词”，而是“懂逻辑”。此外，论文还发现了一个深层原因：模型在区分“无关”和“间接支持”时表现很差。例如，当证据提到“患者年龄65岁”时，对于“老年性白内障”这个诊断，这个证据是间接支持，但模型往往将其判为无关。这种对临床常识的依赖，是当前纯文本模型难以跨越的障碍。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆。把临床 MCQA 改造成三级论证评测，这个思路很实在，不是花拳绣腿。

它的创新不在模型堆料，而在评测框架重构：直接把“证据—成分—关系”拆开，能看见真实推理短板。这种从“结果导向”到“过程导向”的转变，在临床NLP领域具有范式意义。不过，类似的分层论证评测在非医学领域（如法律、科学论文）已有先例，因此创新性主要体现在将这一框架成功适配到临床场景，并解决了医学文本特有的标注挑战。

实验合理度：★★★★☆。严格/松弛匹配都给了，级联误差也分析得比较到位，实验设计是自洽的。

不过当前主要还是单一路线的编码器流水线，和更强的端到端或大模型方案对比还可以更丰富。例如，论文没有测试GPT-4或Claude等大语言模型在零样本或少样本设置下的表现，这可能会是一个有趣的补充。此外，消融实验的设计可以更精细，比如单独分析每种错误类型对下游任务的影响程度。

学术研究价值：★★★★☆。对临床 NLP 的评测方向有明确启发，尤其适合后续做可解释诊断、跨语言临床推理和低资源评测。

它不是终点，但很像一块很硬的路标。可以预见，MIRA-Ev 将成为临床论证推理领域的重要基准，类似于SQuAD在机器阅读理解领域的地位。它为后续研究提供了标准化的评估平台和丰富的错误分析数据，有助于推动整个领域向更可解释、更鲁棒的方向发展。

稳定性：★★★☆☆。句子检索还能看，关系分类明显脆，级联后更容易掉链子。

离临床部署还差一段距离，尤其是对边界噪声和推理反转的鲁棒性。论文报告的最佳流水线在端到端评测（从原始病例到最终关系分类）中的F1仅为38.7%，这意味着超过60%的推理链存在某种形式的错误。这样的性能水平显然无法满足临床决策支持系统对可靠性的要求。

适应性以及泛化能力：★★★☆☆。跨语言是亮点，但任务仍然强依赖 MIR 考试风格，泛化到真实病历还要再验证。

Basque 的加入很加分，但也不能直接等同于“所有临床文本都能用”。MIR考试病例通常结构清晰、信息密集，而真实临床记录往往包含大量冗余信息、缩写、口语化表达以及非结构化内容。因此，MIRA-Ev上的性能可能高估了模型在真实临床环境中的表现。未来需要在真实电子健康记录上进行验证性研究。

硬件需求及成本：★★★★☆。基准本身不重，EriBERTa 类编码器也相对轻量。

真正的成本不在算力，而在高质量临床标注和专家复核，这才是最贵的部分。据论文估计，构建MIRA-Ev数据集的总成本（包括标注、审核、翻译）超过10万欧元，这还不算前期数据采集和后期维护的费用。这种高昂的构建成本也意味着，类似基准的推广需要社区层面的协作和资源共享。

复现难度：★★★☆☆。数据构建依赖考试语料和专家重标，复现门槛不低。

如果没有原始 MIR 题库和临床标注资源，想完整重做并不轻松。不过，论文承诺将公开标注数据和评测代码，这在一定程度上降低了复现门槛。研究者可以直接使用公开的MIRA-Ev数据集进行模型评估，但若要构建类似资源用于其他语言或医学领域，仍需要投入大量人力和资金。

产品化成熟度：★★☆☆☆。更适合作为评测与研究平台，不适合直接上临床。

它能帮人发现模型哪里不靠谱，但还不能直接替代临床推理流程。MIRA-Ev 更像是一个“体检中心”，而不是“治疗方案”。产品化需要在此基础上开发出能够实时、鲁棒地进行临床论证推理的系统，并且通过严格的临床试验验证其安全性和有效性。

可能的问题：任务链条很漂亮，但当前系统在关系分类上太脆，说明“会找证据”离“会推理”还有明显鸿沟；如果后续没有更强的端到端建模，这类基准容易变成高难度测验，而不是可落地方案。此外，基准目前仅覆盖了内科、外科等主要科室，对于精神科、儿科等专科的适用性还有待验证。另一个潜在问题是，三级任务的划分虽然清晰，但可能忽略了临床推理中常见的“假设-验证”循环过程，即医生会根据初步证据提出假设，然后寻找更多证据来验证或反驳它，这种动态过程在当前的静态评测框架中无法体现。

主要参考文献

Iker De la Iglesia, Irune Urroz García, Aitziber Atutxa, Ander Barrena, Johanna Ramirez-Romero, Jose Maria Villa-Gonzalez. MIRA-Ev: A Benchmark for Granular Evidence Detection and Relational Reasoning in Clinical Exams. arXiv:2607.19201v1, 2026.

David L Sackett et al. Evidence based medicine: what it is and what it isn’t. BMJ, 1996.

Rodrigo Agerri et al. Hitz@antidote: Argumentation-driven explainable artificial intelligence for digital medicine. SEPLN-PD 2023.

Ekaterina Sviridova et al. CasiMedicos-Arg: A Medical Question Answering Dataset Annotated with Explanatory Argumentative Structures. EMNLP 2024.

*临床AI最怕的不是答错，而是“答对了却胡说八道”。想继续围观这种能把模型底裤都测出来的基准，欢迎加入龙哥读论文粉丝群，扫码一起聊论文、拆方法、看门道～

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群