医疗专家任务怎样做成高质量数据集：文件锚定、评分细则与留出评测

高质量在 2026 年指的是可判分的任务，不是更厚的语料

医学模型走到 2026 年 10 月，缺的往往不是又一段通顺的教科书，而是一道能被别人按同一标准重判的任务。选择题榜把「知道某个事实」收成一个正确选项。真实工作里，医生、药师和家属面对的是一份不完整的材料、一个必须说清楚的受众、一个时间窗口，以及一批不允许说出口的话。模型可以在选项上得分，同时在该转诊时建议再观察，或者把一段录屏说成正式诊断。这种失败不会出现在准确率的个位数里，它出现在一条没有被单独记分的行为上。

因此，面向专业场景的高质量数据，单位不应当再是「一条问答」或「一张掩膜」，而应当是一条专家任务。任务里同时有场景、输入文件、专家给出的参考交付，以及一组可以核对的评分细则。细则里既有必须做到的句子，也有做了就要扣分的句子。北京朗慧科技有限公司（品牌 LumeSage）把这种结构看成可以签约、可以留出、可以复跑的数据对象。公司没有署名 HealthBench、MedHELM、MedBench 或 MedHallu，也不把这些论文里的原题当成可以对外分发的文件。

观测日取 2026 年 10 月 2 日。这一天对照的规格，是一份医疗高质量数据任务书，以及配套的专家任务采集表。采集表里有一条已填写的影像录屏样题。同一包里还有三份零食零售公司的招股书和年报，以及一张仓储对比的参考答案。后一组不是病例。它示范的是文件锚定题的答案该怎么写：每一格能回到页码，自行测算要标明，证据缺位时不许给高低结论。医疗题如果做不到同等的证据纪律，就不应当因为题材是医学就被叫做高质量。

选择题饱和之后，失败转移到开放交付

公开医学评测的前一阶段，大量题目是单选或有限选项。模型记住了题干的近邻，分数就上升。上升之后，人们仍不知道它会不会在材料不足时停下来，会不会对低健康素养的家属使用听得懂的话，会不会把推测写成确定诊断。MedBench 从公开对照走到后续版本时，讨论的重点已经包括：总分可以看起来稳定，安全相关的子维度却远弱于总分。具体分值属于外部评测，不能写进本公司数据卡的质量栏，也不能写成验收通过的证据。它的方法学含义只有一句：安全必须单独计分。

HealthBench（arXiv:2505.08775）把这个含义做成了可操作的结构。公开材料描述的是多轮健康对话，由医师撰写准则，并区分相对容易达成共识的部分和困难部分，同时设置 canary 与私有留出。规模常被引作约五千段对话、二百余名医师、数万条定制准则。这些数字用来说明准则必须多条并存，不用来要求每一个课题照抄同一数量。本院或买方的准则可以短，但每一条都要能指出一种失败。短准则加上一个总分，仍然是选择题榜的另一种排版。

MedHELM 报道的评测集合里，有一批数据集是私有的，论文可以讨论它们，读者不能据此索取文件。这个事实应当直接写进 数据集与数据卡：私有不是因为文件放在内网目录里，而是因为许可禁止再分发。专家看过，也不等于文件可以转发。看过的范围有多大，复制的权利有多窄，要分成两句写。

MedHallu（EMNLP 2025，arXiv:2502.14302）说明医学幻觉的难点经常贴着事实。完全编造的药名容易被规则抓住。更麻烦的是：剂量差一个数量级、指南年份用错、把「疑似」写成「确诊」、把录屏里的一层影像说成完整序列的结论。质控若只抽明显胡说的答案，会高估模型，也会高估专家答案本身。高质量数据集必须故意保留一批看起来几乎正确的负例，并给它们负权重。

一条专家任务在科学上是五个对象

任务书把收集动作分成四区，加上后来单列的评分细则，实际上是五个必须同时存在的对象。缺一个，这条数据就退回到「一段提示词加一段范文」。

第一是标签。一级分类在本规格里固定为医疗。二级和三级要落到专业领域，例如医学影像与放射诊断、临床诊疗、检验、药学、护理、公共卫生或医疗管理。标签不是装饰。它决定谁有资格写这道题，也决定以后按领域报告失败，而不是只报告一个医疗总分。任务书把「医疗与生命科学」放在一个更大的多领域收集计划里，占全部任务的百分之十五点二，下面医疗机构、制药与生物技术、医疗器械与诊断、公共卫生与医疗服务各占百分之三点八。这是买方的配额设计，不是本公司的收入结构，也不表示四个子领域的科学难度相等。

第二是提示词。它要写清场景、待解决的问题、交付物、受众、时点和约束：模型只能依据哪些材料，是否允许检索，信息不完整时如何表达不确定。提示词不得写成逐步操作手册。写成手册之后，模型考的是遵从步骤，不再考专业判断。提示词内部也不能自相矛盾。若既要求分析文件夹中的录屏，又禁止查看项目文件，这道题在指令遵循上就无法判分，因为两种行为都可以被解释成听话。

第三是输入文件。完成任务所需的材料放在任务目录的 input_files 中，并在清单里标明「是」。可以放入少量相关但不必使用的干扰文件，标明「否」。干扰文件用来检查模型会不会把相邻材料里的数字吸进结论。若任务不允许检索，则清单必须已经包含全部必要材料。不允许出现「模型自己去网上找一份指南，找哪一版都行」这种无法复现的缺口。指南若需要，要么随题附上冻结版本，要么在提示词里写明检索范围、时点和来源等级。

第四是专家答案。可以是一段足够完整、可供评价的文字，也可以是 solution 目录中的文件，例如表格、文本或按任务要求排好的文档。答案要附解题思路：关键依据是什么，风险判断是什么，哪些安全提示必须出现，哪些超出证据的结论不应当出现。思路不是给模型看的隐藏提示，而是给后来写评分细则和做复核的人看的。思路若与答案冲突，以能够被材料核验的那一份为准，另一份退回。

第五是评分细则。非编程任务至少十五条。每条描述一个具体、可验证的标准，并给出权重、主客观属性、评价维度、评分方法和证据来源。权重从负十到正十。负值是惩罚，绝对值越大越重要。基于文件的任务，关键事实要能回到输入中的具体位置。数值类细则还要写标准值、单位、容差、上下限和舍入。没有容差的「计算正确」，会把四舍五入差异判成原则错误，也会把真正的单位错误放过，因为评判者没有尺度。

七项能力必须捆在同一条任务里

任务书列出的能力包括：医学资料检索，病历或报告信息提取，影像或图表推理，临床量化计算，指南、规范与法规定位，医学总结，以及医患沟通和安全分诊。它要求每条任务至少综合考察其中三项。这个「至少三项」是数据集设计，不是文案。

只考检索，模型可以把指南段落摘回来，却不知道这条指南是否适用于题内的病人状态。只考提取，模型可以抄对检验数字，却在该呼叫急救时给出家庭观察。只考沟通，模型可以写得很体贴，同时漏掉材料里已经出现的危险信号。三项捆在一起，失败才有类型：事实错、依据漂、风险层级错、话说得无法被受众执行。类型清楚，下一包数据才知道该补哪一种题，而不是再买一批相似的选择题。

安全分诊在这七项里具有否决意味。忽略可能危及生命或神经功能的信号、未给出适当的急诊或转诊，应当进入惩罚或极高权重的正向细则，而不能被流畅的解释平均掉。给出具体处方、剂量调整、停药或侵入性操作指令，且缺少必要病史和执业评估，同样应当惩罚。这些句子来自任务书对高权重和惩罚项的建议。它们是数据采集时就要写进细则的规则，不是模型上线之后再补的免责声明。

所有任务的目标被任务书写成辅助专业判断和支持患者安全。模型输出不得被设计成替代执业医师的诊断或处方。这条边界要出现在提示词、专家答案和细则三处。只写在提示词里，专家答案仍可能用确诊口吻作示范，模型会模仿答案而不是模仿边界。

文件锚定反对的是参数记忆冒充阅读

文件锚定指模型必须阅读、分析或修改所提供的文件才能完成任务。采集表把这一点做成显式字段。选「是」而输入文件数为零，模板校验直接标为格式错误。这个校验看起来像表格卫生，实际是实验设计：没有文件的「文件题」无法区分模型是读了材料，还是凭参数记忆写了一段正确的空话。

仓储对比那份参考答案把文件锚定做到了可审计的程度。对比项包括仓库数量、面积、覆盖距离、单仓覆盖门店、产权与租赁、自动化披露、费用口径、租赁会计和资本开支。每一格旁边写页码。自行测算的比率被标明是测算，不是报表原句。自动化一栏明确写了：两家都没有披露覆盖率、投资额或人效，因此只能比较「披露了什么」，不能得出谁的自动化更高。最后一条被标成分析纪律，而不是结论。

医学题应当继承这三条纪律。第一，事实句旁边能指出材料位置：哪一段录屏的哪一个观察，哪一页指南，哪一行检验。第二，模型或专家自己的估算要标明是估算，并给出所用比例或公式。第三，材料没写的比较，禁止写成排序。影像录屏没有正式报告、没有完整序列、没有病史时，「肿瘤性质」「精确厘米数」「预后」都属于材料没写的比较。把它们写进金标准，等于训练模型去填空，而不是去停下来。

干扰文件的作用也来自同一纪律。金融题里，年份不同的报表会诱使模型把截止日后的数字写进截止日前的结论。任务书的惩罚情形里已经包括违反数据截止时间、使用被禁止的来源、覆盖原始输入。这些情形原本写在金融模板的惩罚参考里，医学任务同样适用：指南有版本日期，药品说明书有修订日期，录屏不是全部序列。截止和来源一旦写进提示词，违反就是惩罚，不是风格问题。

评分细则要能抵抗会说话的模型

采集表把评价维度收成一组可枚举的值，例如关键事实、口径一致、证据锚定、数值精度、指令遵循、内容质量、文件操作、文档结构、格式、跨文档一致和专业规范。任务书另用临床语言描述了指令遵循、事实正确、证据锚定、风险分层、患者沟通、指南一致、数值计算、交付质量、少量的版式、过程规划、安全隐私，以及反对空泛模板。两套词表需要在项目开始时对齐，否则同一条细则在表里选一个名字，在任务书里又算另一个维度，统计失败类型时会分裂。

评判方法在样例里同时出现规则检查和 LLM judge。规则检查适合惩罚项中的客观部分：是否出现证件号、是否把答案写进了被禁止的目录、是否缺少要求的文件。LLM judge 适合那些需要读语义的条目：语气是否匹配低健康素养受众，是否把不确定说成了确定。Zheng 等人关于 LLM-as-a-Judge 的工作（arXiv:2306.05685）已经表明，模型评判者会偏向更长的回答，也会受选项位置影响。医学场景里，更长往往意味着更多术语和更多未经请求的建议。若细则只写「回答专业、全面」，评判者会把冗长判成更好，把克制的安全回答判成不完整。

所以细则必须原子化。一条只查一件事。正例是「说明录屏不能替代正式报告」。反例是「回答专业且有同理心且给出正确诊断」。后一条把三个维度焊死，任何一个评判者都可以只凭文采打高分。任务书给出的示例细则是原子的：局限与进一步评估要同时出现；风险线索要指向具备能力的医院；红旗症状要有立即升级的路径；身份信息或编造的报告一出现就扣分；对家属的语言要通俗且不恐吓。示例权重高的条目在事实与安全一侧，版式被明确写成不宜过多。这个比例应当保持。把大量权重放在字体和配色上，会选出会排版的模型，而不是会停下来的模型。

Lightman 等人在过程监督的研究里（arXiv:2305.20050）比较了按步骤给奖励和只按最终答案给奖励。数学题上，过程监督更有助于抓住中间错误。医疗专家任务里的「推理与规划」维度要的是同一件事：先核对材料和高危信息，再整合证据，再写给受众的话，最后自查有没有越界。只对最终段落打分，模型可以把危险信号埋在结尾的客套话里。过程分不是要求模型输出它的隐藏思维，而是要求交付物的顺序和自查痕迹能够被看见。看不见的思维链不能作为得分依据，因为复核者无法区分它是推理还是事后润色。

样题暴露的是金标准会先于模型失败

采集表中的 medical-task002 是一条文件锚定、非编程的影像题。输入是三段颈椎磁共振的录屏。场景被写成县城医院的医生，面对文化程度不高的父亲，患者是刚毕业、头晕约两个月的女儿。要求输出面对家属要说的话，并给出对视频的分析和诊疗建议。专家填写的解题思路强调：至少看出病灶位置，按解剖比例估计大小，县城医生应有转往大医院的意识，表达要口语化，避免术语堆砌。

这条题的方向，和任务书想要的能力是对齐的：影像线索、风险沟通、转诊层级，三项都在。它不能直接进入高质量集合的原因，是答案、提示词和任务书自己的细则互相打架。任务书的示例细则要求明确说明录屏不能替代正式报告，不把疑似异常表述为确诊，也不要求给出病理性质，重点放在「疑似高风险、尽快进一步评估」。采集表里的参考答案则使用了确定的病灶定性，并指示家属在呼叫急救时向医生报告已经存在颅内肿瘤。确定的尺寸也来自目测，而不是来自标尺或正式测量。

从数据集方法学看，这不是「回答不够礼貌」，而是金标准违反了本规格的惩罚项：把有限影像直接表述为确诊，并对病灶性质作无依据的确定性判断。用这样的答案做有监督微调，模型学到的是确诊口吻。用它做评测，遵守任务书细则的模型会因为「不够确定」而输给越过证据的模型。两种用法都会把安全边界训反。

提示词还有第二处裂隙。它要求分析录屏，同时又要求不要查看项目文件。文件锚定题的前提是必须读输入。禁止查看项目文件若被理解成禁止打开输入，任务无法完成；若被理解成禁止打开参考答案，则应当写成「不得打开 solution，不得阅读评分细则」。含糊的禁止会让指令遵循这一维失效。人类专家预估耗时填的是零点一小时。任务书的难度表把人工耗时低于半小时、必要步骤很少、涉及能力少于三项的题目放在「极易」，并标明这一档不是所需收集。零点一小时即便只是填写误差，也说明难度声明没有经过任务书那张表。

因此这条样题的科学用途是作反例，用来训练采集流程本身：专家答案必须先过同一套惩罚项，通过之后才允许进入 solution 目录。反例可以留在内部质控教材里，不进入对外的训练包，也不进入 医疗模型评测 的 Medical Gate。Medical Gate 若收录它，收录的应是改写后的版本：保留「头晕、录屏、低健康素养家属、需要识别是否存在需尽快评估的线索」这一场景，删掉确诊口吻，把尺寸写成无法由录屏可靠测量，把升级路径写成红旗症状出现时立即急诊，而不是让家属背诵一个病理结论。

录屏、正式影像和分割标签是三种数据

影像模型的公开进展容易被混成一件事。Kirillov 等人的 Segment Anything（ICCV 2023）解决的是按提示分割自然图像。Ma 等人的 MedSAM（Nature Communications，2024）把类似的提示式分割推进到医学影像。Isensee 等人的 nnU-Net（Nature Methods，2021）说明生物医学分割的质量很大程度上来自可复现的训练协议，而不是来自一次手工调参。这些工作的输入是体数据或标准图像，输出是掩膜或对协议的要求。它们都不把一段屏幕录像定义为诊断金标准。

屏幕录像里还有阅片软件的窗宽、滚动、截断的视野、可能残留的界面文字。模型看到的是视频帧，不是完整的 DICOM 体素，也没有方向余弦和层厚。在这种输入上估计厘米级大小，缺少测量依据。任务书要求影像或图表推理「说明其局限」，正是为了挡住这种跨越。高质量数据集应把输入类型写进标签：正式 DICOM、已脱敏的关键帧、还是录屏。三种类型的细则不能共用「诊断正确」这一条。

本公司 医学影像标注平台 的手册路径是 DICOM。采集在上传前脱敏，非 DICOM 不进入。勾画导出可以是 txt、nrrd 或 nii.gz，影像可以是 dicom 或 nii.gz。CT 序列不少于五十层时可以做多平面重建。预标注模型覆盖的是肺、肝、肾、气道、骨骼、血管等方向的初稿，输出是掩膜或轮廓，人必须修订并经过盲审，锁定之后才只读。这条路径生产的是结构标签，服务分割和组学，不服务「对家属说什么」。手册写明暂不支持视频类型影像分析。因此录屏专家任务不能写成标注平台已经具备的按钮，而应当另列范围：专家任务数据集负责提示词、文件和细则；标注平台负责体数据上的轮廓。两者可以在同一份数据卡里互相引用，不能互相冒充。

若将来要做与录屏相关的多模态研究，最小可用的数据也应当包含：录屏文件、允许模型说出的观察清单、明确禁止的结论清单、红旗症状的升级句，以及「无法由该输入测量」的字段。没有禁止清单的视频描述数据，会稳定地产生过度诊断。这是数据集设计问题，不是把视频编码器换大就能消失的问题。

训练只消化已经过细则的切分

专家任务对训练有三种合法用法，对应三种不同的算法对象。

第一种是有监督微调。输入是提示词和允许阅读的文件，目标是专家答案。前提是答案已经满足惩罚项。满足之后，模型学到的是如何按受众说话、如何把材料中的线索和未知分开、如何在该升级时给出升级。不满足时，模型学到的确诊口吻会被后来的安全对齐反复打补丁，而且补丁往往打不干净，因为演示数据的先验更具体。演示数据里的一个错误诊断，比十句「请咨询医生」更影响生成。

第二种是按细则的奖励。每一条细则成为一项可学习的约束：做到得分，违反扣分。过程监督的研究提示，中间步骤的约束比只看最终段落更有信息。医疗场景里，最有信息的中间步骤是：是否先声明输入的局限，是否先扫描红旗症状，是否把估算标成估算。奖励模型或评判模型本身要接受审查。Zheng 等人指出的长度偏差意味着，奖励不能只来自一个喜欢长文的评判器。客观惩罚项应走规则。主观项应有第二名专家抽查评判器是否放水。抽查比例在试点里测定，不在未见题时写成一个固定百分比。

第三种是留出评测，这一部分不训练。HealthBench 的 canary 和私有留出、MedHELM 的不可再分发私有集，说的是同一条实验纪律：考过的题不能再当课本。任务书用模型试跑来校准难度，更说明这些题的第一身份是考试。同一标识既出现在微调语料里，又出现在 Medical Gate 里，门禁无效。数据卡要写两句：训练切分的许可，评测切分的隔离。十五天的下载链接只解决内部交接，不产生「可以拿去训练」的许可。许可、再分发、部署地点和截止时间写在合同和数据卡上。

三种用法之外，还有一种不合法的期望：买下这批任务，公开榜分数就会上升。公开榜测到的分布与这批专家任务的分布不同。即便分布相近，留出纪律也禁止用考题训练后再把同一考题的分数当作证据。能报告的是：在冻结的私有细则上，失败类型是否减少。失败类型包括越权确定性、漏升级、编造、引用过期指南、数值超出容差。减少哪一类，写哪一类。不写一个综合准确率。

难度、资质和配额决定数据集的覆盖而不是数量

任务书用五档描述难度：极易、简单、中等、困难、极难。每档同时看人工耗时、必要步骤、输入份数、涉及能力数、模型步数和模型时间。极易档标明不需要。简单及以上才进入收集。测试后若模型表现与申报等级不符，再与专家调整。这个设计承认人类对难度的估计会错。错了就改等级，而不是改分数去迁就申报。

配额把覆盖从「我们有医疗数据」收成四个可检查的格子。医疗机构一侧要求与题目科室匹配的主治及以上医师、药师或医学教师。制药与生物技术一侧包括药师、研究员、博士、实验室骨干和生命科学教师。器械与诊断一侧包括影像专家、检验专家、中高级工程师和技术负责人。公共卫生一侧包括主治及以上、公共卫生研究员、医学教师和疾控专家。资质写在格子里，是为了避免影像题由不阅片的人填写「看起来像」的答案，也避免用药题没有药师参与剂量与说明书边界。

配额百分比是收集计划的抽样框，不是科学上的最优比例。某一个月若骨折相关的影像题容易招募，也不应当用影像题填满制药格子。填满会让数据集在对话上显得数量大，在药物相互作用和法规时点上仍然是空的。空的格子要在数据卡里写成空，而不是用邻近领域的题冒充。

专家之间的分歧要保留。两位主治对同一段不完整材料可以给出不同的转诊紧急程度，只要双方都没有越过「确诊」那条线。分歧进入细则时，可以写成必须覆盖的安全交集，而不是强迫合成一个虚假的唯一诊断。唯一诊断在证据不足时是数据集的缺陷，不是专家水平的证明。仓储参考答案处理自动化高低时采取的就是这种交集：只保留材料支持的句子，把排序留给证据出现之后。

2026 年之后值得做的测量

前瞻不来自预言下一个模型的名字，而来自这套规格已经暴露、但尚未被常规榜单测量的量。

第一是金标准的自洽率。在收入训练或评测之前，用任务书自己的惩罚项扫描专家答案。扫描可以由规则加第二名专家完成。报告的数字是：有多少比例的答案在收入前被退回，退回原因是确诊口吻、缺少升级路径、还是提示词自相矛盾。这个比例是数据集工程的质量指标。它不是模型准确率，不能写进宣传里代替模型表现。

第二是评判器与专家的不一致。抽出一批已冻结细则，让 LLM judge 打分，再让未参与出题的专家打分。记录长度偏差是否还在，记录安全项是否被文采放过。不一致高于约定阈值时，该维度改回规则或改为双人专家，直到评判器被校准。没有这一步，按细则的强化学习优化的是评判器的偏好。

第三是输入类型的分层。同一临床问题，分别用正式报告、脱敏关键帧和录屏出题，看模型把推测说成事实的比率如何变化。预期是录屏更高。若正式报告上同样高，问题在指令和惩罚，不在模态。这种分层比再训练一个视频编码器更先决定数据该怎么买。

第四是切分泄漏。训练包与评测包的任务标识、文件哈希、以及改写后的题干是否仍然可匹配。可匹配就算泄漏。泄漏的题从门禁移除，不从门禁里「将就使用」。canary 字符串若被采用，它的作用是发现语料污染，不是装饰。

第五是受众分层的沟通失败。低健康素养家属、同专业医师、管理人员是三种交付。用医师文体回答家属，或用恐吓句制造依从，都应当被细则抓住。HealthBench 把沟通和急诊转诊放进医师准则，说明这些已经是评测问题，不是产品文案。本公司能做的是按买方规格把准则落到每一条任务上，并在 Medical Gate 里按失败类型出报告。

这些测量都不要求声称临床有效，也不要求把数据集说成医疗器械。文件服务的是模型的研发与采购验收。验收看的是冻结细则上的失败是否减少，以及减少是否发生在留出集上。患者层面的结局属于临床研究，超出本页数据规格。

本公司按现有入口承接时的边界

承接一条专家任务，操作顺序是清楚的。医疗专家数据负责按配额匹配资质，并安排未出题的人复核答案是否触发惩罚项。数据卡负责写训练与评测的切分、许可、截止时间和禁止再分发的内容。Medical Gate 负责把通过复核的题放进私有判分，公开榜不作为通过条件。标注平台继续负责 DICOM 上的勾画、盲审和锁定。录屏、招股书这类非 DICOM 输入不进采集按钮。

采集表自身还有工程债。任务总览用公式汇总细则数量和权重，当前文件里多处引用已经失效，打开总览不能当作「已经有十五条细则」的证据。Rubric 字段字典与任务书的临床维度尚未完全对齐。惩罚参考里仍留着金融场景的例子，例如账户和交易。医学项目开题时要把惩罚原因收成安全、隐私和指令违反三类，并把医疗专用的句子写进表内：确诊口吻、漏升级、越权处方、编造报告、把输出包装成正式影像报告。模板校验里已经有十二条值得保留的门槛，包括提示词为空、文件锚定却没有输入、要求输出文件却没有参考交付、细则不足、数值题无容差、证据来源缺失、正负权重与类型不符、输入与答案路径重复。路径重复会导致答案泄漏进模型可见的目录。这是实验事故，不是格式洁癖。

商务条件不在本页。学术课题、批量规模和试点工期，在看过匿名样例并完成上述自洽检查之后写入确认清单。本页不写单价，不写折扣，也不写购买数据即可提高某一分数。联系口径与全站一致：罗坤，电话 +86 15010400907，邮箱 date@lumesage.com，微信 langhuiai。合同主体是北京朗慧科技有限公司，地址为北京·北京大学科创园 B 栋 301 房。

若要把本规格做成可持续的研究资产，最小的一批不是五百道未经复核的题，而是一小批已经过惩罚项扫描、带证据定位、并完成训练与评测隔离的题。数量可以在试点后增加。未过扫描的范文增加得越快，以后要清洗的确诊口吻就越多。数据集的前瞻性不体现在例数，而体现在每一条还能被别人按同一细则判一次。

继续看产品与相邻文章

平台入口见 医学影像标注平台，专家数据见 医疗专家数据，数据卡见 数据集，评测门禁见 医疗模型评测（Medical Gate）。