跨诊断的长文本博弈：大模型在多会话医疗对话中的深度挑战
医疗大模型的上下文悖论
随着生成式人工智能技术的飞速迭代，大型语言模型（LLM）已成为医疗科技领域最受关注的创新点之一。从辅助诊断到病历摘要，LLM展现出了惊人的语言理解能力。然而，真正的临床价值并非仅仅停留在单次问答的准确性上，更在于模型是否能够像资深医生一样，基于患者漫长的就医历史，精准回忆过往用药、过敏史以及既往检查结果。这正是本文研究的核心痛点——医疗对话往往跨越多个时间节点、多个就诊科室，而非单一的短文本交互。
基准的构建与设计哲学
为探究LLM在处理此类复杂场景时的真实水平，研究团队构建了一个名为 MedLoCoMo 的多会话医疗对话基准测试。该基准并非简单的知识库检索，而是基于 MIMIC-IV 和 MIMIC-IV-Note 两大临床数据集，通过构建“按就诊划分的临床数据包”合成而成。设计者巧妙地模拟了真实的临床路径，包含了单次就诊内的证据使用、不同就诊之间的跨会话推理，以及故意设计的“无法回答”对抗样本。 benchmark 包括 100 位患者的完整病程，每位患者的对话轮次平均达 1669.8 轮，跨越约 29.7 次会话，总 token 达到 74512.2 个。这样庞大的规模与复杂度，旨在填补以往医疗 QA 基准多关注短上下文或单一文档 grounding 的空白。
跨会话推理的真实困境
在实际的模型评估中，研究团队对多个主流 LLM 进行了测试，结果呈现出一种令人深思的趋势。尽管现代模型的上下文窗口已然扩大，甚至有的模型拥有数百万 token 的记忆容量，但在跨会话的逻辑推理任务上，它们的表现并未如预期般线性提升。更有趣的是，即便模型被配备了外部记忆检索或先进的检索增强生成（RAG）技术，跨会话推理的难度依然被证实是目前的硬伤。
具体分析表明，模型在面对“跨诊断”问题时，往往表现出“证据碎片化”的倾向。这意味着模型可能会正确地调取某次就诊的某项检查结果，却未能将其与患者数月或数年前的用药记录、病情演变联系起来。这种局部证据的使用掩盖了全局临床思维的缺失。研究数据显示，跨会话推理的准确率显著低于单会话、单诊断的场景。这暴露了一个悖论：拥有再大的“记忆”也无法弥补“理解”的缺失，模型似乎缺乏在漫长的对话链中建立因果关系、识别关键转折点的能力。
技术路径的反思与展望
针对上述瓶颈，业界目前的技术修补思路多集中于扩大模型的上下文窗口尺寸，或是引入更复杂的外部知识库检索机制。然而，MedLoCoMo 的基准测试结果提醒我们：单纯的容量提升或许只是锦上添花，核心在于模型架构对“长程依赖”的建模能力。医疗对话的独特性在于其非线性的时间跨度和多维度的信息交织，这要求模型不仅要记住信息，更要具备类似临床推理的逻辑链构建能力。
展望未来，如何让大模型真正“记住并理解”患者的完整病程，是亟待突破的关键。这可能需要在训练阶段引入更多样化的多轮对话数据，专门针对跨会话的逻辑约束进行微调。同时，开发更能模拟人类“抽象记忆”而非单纯“字面记忆”的机制，或许是打破当前性能天花板的关键一步。医疗 AI 的道路注定是一场马拉松，而非百米冲刺，解决跨会话推理问题，将是检验一个模型是否真正具备临床落地潜力的重要试金石。