多模态医疗对话基准IMCBench发布

随着大语言模型和视觉语言模型的快速发展，多模态AI在临床决策支持、患者分诊等医疗场景中展现出巨大潜力。然而，现有医疗AI基准测试存在明显碎片化问题：部分基准支持多轮对话但缺乏图像输入，另一些虽提供多模态输入却仅聚焦于单轮问答任务。为填补这一空白，研究团队正式推出IMCBench——一个基于图像引导的多轮医疗对话基准测试。

IMCBench的核心设计思路是模拟真实的患者与临床医生交互场景。它将公开可用的临床图像与合成的患者档案配对，构建出包含多轮对话的测试集。每个对话从三个临床关键维度进行评估：安全性、准确性和诊断中不确定性的恰当使用。这种多维度的评估框架，使得对模型能力的考察不再局限于简单的问答正确率，而是深入到临床实践中至关重要的安全与风险把控层面。

研究团队选取了来自四个模型家族（Claude、GPT、Nova和Llama）的八个前沿多模态模型进行基准测试。评分机制采用LLM-as-Jury方法，即利用大语言模型作为评分员，并经过临床专家标注校准，最终给出1至5分的综合评分。结果显示，Claude Opus 4.6以3.61分的总体评分位居榜首，其后依次是Claude Sonnet 4.6（3.30分）和GPT-5.2（3.29分）。然而，没有任何一个模型在所有维度上占据绝对优势。值得注意的是，所有模型在面对恶性疾病和罕见病症时，安全性评分均出现下降，平均降幅达到0.27分。这一发现揭示了当前多模态模型在应对高风险医疗场景时的普遍短板。

进一步的消融实验为理解模型行为提供了更深层的洞察。当分别移除视觉输入和电子健康记录（EHR）上下文时，模型在提供安全指导方面的表现均出现下滑，安全性评分平均分别下降0.18分和0.23分。这表明视觉信息和患者背景信息对于模型生成安全可靠的医疗建议都至关重要。研究还发现，性能更强的模型能够更有效地利用视觉特征，从图像中提取关键诊断线索，从而在对话中提供更精准的指导。

综合来看，IMCBench的研究成果提出了一个发人深省的结论：准确的临床描述并不等同于安全的患者指导。一个模型可能正确识别出病灶或异常，但在后续的对话中却给出不恰当或具有潜在风险的建议。这凸显了在医疗AI领域建立多维度评估框架的紧迫性，单纯以问答准确率作为衡量标准是远远不够的。IMCBench的发布，为研发更安全、更可靠的医疗对话AI提供了重要的测试工具和评估思路，有望推动该领域朝着更贴近临床实际需求的方向发展。