NPCBench：用于鼻咽癌多模态诊疗路径推理的临床学徒式基准

当前医学基准通常将临床能力拆解为孤立的事实性问题、单幅图像任务或静态病例描述。这些测试对单个答案进行评分，却难以充分揭示模型能否将亚专科知识与多模态证据相结合，并在整个诊疗过程中持续追踪患者病情。为弥补这一不足，我们提出了 NPCBench，一个面向鼻咽癌（NPC）的临床学徒式基准。NPCBench 模拟专科医师培训过程，涵盖指南与基础知识、病例诊疗规划、纵向回顾、CarePath 整合以及开放式问诊。该基准包含 4,777 个分项与问诊题目，以及一个包含 100 名患者的 CarePath 队列，其中设有 417 项计分的诊断与诊疗任务。诊疗过程层面的评估用于检验同一诊疗路径中的诊断与诊疗答案是否同时正确。通过将分步任务与患者层面的诊疗轨迹相连接，NPCBench 评估模型能否基于视觉证据作出决策、解读患者状态变化，并在问诊中满足临床要求。在对 30 个模型的评估中，我们观察到一种组合能力差距：在单项任务上表现优异，并不保证针对同一患者的诊断与诊疗答案能够同时正确。在 21 个多模态模型中，严格标准下的 CarePath 成功率最高仅为 23%。配对对照与医师校准进一步考察了证据依据、纵向修正和问诊评判。总体而言，NPCBench 将医学人工智能评估从静态问答范式拓展为面向学徒式训练的临床工作流程评估，从而为肿瘤诊疗中基于证据且在时间上连贯的推理提供了测试平台。