教材还是病例？数据类型如何塑造医疗大模型能力

医疗大语言模型（Medical LLM）通常混合两类数据进行训练：以教科书为代表的教学型数据（didactic data），以及以患者病历为代表的临床型数据（clinical data）。但一个长期悬而未决的问题是——这两类数据究竟如何差异化地塑造模型能力？一篇新发布于 arXiv 的研究通过严格的对照实验，给出了颇具启发性的答案。

研究方法：Token 对齐的对照实验

这项研究的核心设计在于token-matched experiments（token 数量对齐的实验）。研究者在保持训练 token 总量一致的前提下，系统性地调整教学型数据与临床型数据的配比，从而干净地分离出「数据类型」这一变量的影响，而不是让数据量的差异干扰结论。

实验横跨两类下游任务：一类是知识密集型任务（knowledge-intensive tasks），例如医学知识问答，考察模型对事实性医学知识的掌握；另一类是临床导向型任务（clinic-oriented tasks），例如基于电子健康档案（EHR）的推理，考察模型在真实诊疗场景下的应用能力。这种任务分层是理解后续结论的关键。

电子健康档案（EHR，Electronic Health Record）是指以数字化形式记录的患者完整医疗信息，涵盖诊断记录、检验结果、用药历史、手术记录及医生诊疗笔记等。与教科书的结构化叙述不同，EHR 数据高度非结构化，充斥着临床缩写、不规范表达和大量上下文依赖，这正是临床型数据区别于教学型数据的本质所在。基于 EHR 的推理任务要求模型不仅掌握医学知识，还需理解真实诊疗流程中的语言模式与决策逻辑，因此常被视为衡量医疗 AI 临床实用性的重要基准。

核心发现：非对称的能力迁移

研究最重要的发现是数据类型之间存在非对称迁移（asymmetric transfer）。

具体来说，临床型数据不仅显著提升了临床导向型任务的表现，在知识密集型任务上也保持了相当的竞争力；而教学型数据则主要提升知识密集型任务，对临床任务的帮助有限。

换句话说，临床数据的「泛化半径」更大——它既能教会模型如何在真实场景中推理，又不会在纯知识考核上明显掉队。而教材数据更像是「偏科生」，擅长背诵知识，却难以迁移到实际诊疗判断中。

「知而不能行」的鸿沟

研究通过错误分析揭示了一个耐人寻味的现象，作者称之为knowing-doing gap（知行鸿沟）：模型在知识记忆（knowledge recall）上的进步，并不能可靠地泛化为临床推理（clinical reasoning）能力的提升。

这一发现对医疗 AI 的评估范式提出了警示。业界常用医学考试题（如 USMLE 类基准）来衡量医疗大模型的水平，但高分并不等于模型能在真实病例中做出正确判断。会背知识点和会看病之间，隔着一道并非靠堆砌教材就能跨越的鸿沟。这也解释了为什么许多在标准化测试中表现亮眼的模型，落地到临床辅助场景时仍显吃力。

USMLE（United States Medical Licensing Examination，美国执照医师考试）是目前医疗大模型基准测试中最常被引用的评估标准之一。该考试分三个阶段，涵盖基础医学科学、临床知识与临床技能，以多选题为主。由于题目格式标准化且答案明确，很适合用于快速评估模型的医学知识掌握程度，GPT-4 等主流大模型均已在该基准上达到甚至超越人类平均水平。然而，USMLE 本质上仍是知识性考核，其题目场景经过高度简化，与真实病历中的模糊信息、多系统交互和决策不确定性相去甚远。这正是本研究所揭示的"知行鸿沟"在评估层面的体现——高 USMLE 分数更多反映的是知识记忆能力，而非临床推理的实际水平。

少量临床数据即可撬动大部分收益

另一个具有实践价值的观察是：适量的临床数据就能带来 EHR 相关任务上的大部分收益。这意味着即便临床数据获取成本高、隐私限制严，团队也不必追求海量临床语料——在合理配比下，少量高质量临床数据的边际效益极高。

同时，研究强调最优混合比例并非固定，而是随下游任务对知识与临床推理的需求而变化。推理密集的应用需要更高比例的临床数据，知识查询类应用则可以更依赖教学数据。

临床数据的稀缺性与高成本是医疗 AI 领域长期存在的核心瓶颈。一方面，患者病历受 HIPAA（美国健康保险流通与责任法案）等隐私法规严格保护，去标识化处理成本高昂且存在再识别风险；另一方面，真实临床数据往往分散在各医疗机构的孤岛系统中，难以汇聚。这使得边际收益递减的规律在临床数据上具有重要现实意义——如果少量精选的临床语料即可捕获大部分能力提升，那么团队便可将有限的数据获取资源集中于质量而非数量，同时通过合理的教学数据补充来降低对临床数据体量的依赖。

对医疗 LLM 数据策展的启示

综合这些结果，研究给出的核心建议是：医疗大模型的数据策展应当是**应用驱动（application-driven）**的，而非一味追求数据规模或某种「标准配方」。

• 对于面向真实诊疗、推理密集的用例，应优先提高临床数据的比例；
• 对于知识检索、科普问答类用例，教学数据仍是高效选择；
• 评估时不能只看知识型基准，还需引入临床推理型评测，才能真实反映模型的落地能力。

对于正在构建医疗垂直大模型的团队而言，这项工作提供了一个务实的思路框架：先明确应用场景对「知识」与「推理」的需求权重，再据此设计数据配比，而不是把所有能拿到的语料一股脑塞进训练集。数据的类型与配比，可能比单纯的数据量更能决定模型的临床价值。