近年来，随着医疗数字化转型持续推进，大语言模型在辅助诊断、病历结构化分析、临床知识检索等场景的应用潜力持续释放，但行业始终面临两大落地瓶颈：一是标注质量达标、逻辑严谨的纵向病程数据集极度稀缺，二是大模型在长周期病程推理中普遍存在统计逻辑偏差、时间维度建模能力不足的问题，“黑盒化”的推理过程也难以满足临床监管的可解释、可追溯要求，极大限制了医疗AI的合规落地进程。就在这一行业背景下，香港大学研究团队正式发布自建临床推理基准数据集self-built dataset，为上述行业痛点的解决提供了全新的基础工具支撑。
据介绍，该自建数据集是研究团队为验证COTCAgent框架的纵向电子健康记录分析能力专门构建的行业评测基准，核心聚焦内科疾病诊断场景，覆盖心血管、呼吸、代谢、感染及神经系统等主流内科诊疗方向，共包含9948种疾病实体，以及8673种症状与4835种临床趋势的关联关系，全部数据以结构化知识图谱的形式呈现完整的临床诊断逻辑链条。为保障数据的医学严谨性，研究团队在构建过程中整合了国内外权威医学指南、高影响力临床学术文献以及脱敏临床文本资源，所有知识关联均经过多轮资深临床专家的独立评审与一致性校验，确保数据集的医学逻辑准确性与临床适配时效性。
从应用价值来看，该数据集主要面向智能临床决策支持系统的研发与评测，核心目标是解决当前大语言模型在纵向医疗数据分析中存在的统计推理缺陷、时间依赖性建模不足等核心问题。未来可广泛应用于多个医疗数字化场景：其一，作为医疗AI模型的基准训练与测试集，帮助算法厂商优化大模型的长周期病程推理能力，降低模型研发的高质量数据集获取门槛；其二，为临床知识图谱的标准化构建提供参考标尺，推动不同医疗机构的医疗知识体系互联互通；其三，可辅助基层医疗机构的智能辅助诊断系统优化，提升对高血压、糖尿病等慢病及疑难病的长期跟踪诊断准确率。此外，该数据集的落地也将为可解释医疗人工智能的技术迭代提供重要的基础数据支撑，助力医疗AI产品满足临床监管的可追溯、可解释要求，加速技术从实验室走向临床场景的落地进程。
详情页内容：
_1769672084863.jpg)