AI 真能读懂三次体检报告吗？朗慧纵向健康评测的证据、方法与研究路线

研究状态：基于附件的本地数据审计与评测协议设计。本文尚未开展候选模型对比实验，未发布模型分数、排名或临床有效性结论。文献检索截至 2026 年 10 月 26 日。

摘要：从真实体检资料建立可复核的医疗 AI 评测问题

医疗 AI 的能力评价正在进入一个更具体的问题：当同一个人的三次体检报告摆在面前，模型能否准确找到指标、识别时间顺序、解释变化、保留不确定性，并给出与证据相称的健康沟通？这类任务既包含文档识别和信息抽取，也包含跨时间推理、医学语义理解和安全表达。一个模型即使能够熟练回答医学考试题，也可能在单位、日期、否定词或报告总结上犯错，而这些错误会顺着处理流程进入最终建议。

本文对一组纵向体检样本进行本地结构核查，确认材料包含 5 组个体目录、15 份图像型 PDF，共 301 页，以及主检报告、检查记录、检验记录三张结构化工作表。按附件主键映射，每组对应三次体检；结构表分别包含 15、108 和 2,012 条记录。资料可支持“报告理解—跨年整合—证据约束沟通”的原型评测，但没有足够的独立个体、结局标签和外部机构样本来证明疾病预测能力或形成稳定的公开排行榜。

朗慧据此提出“纵向体检 AI 评测研究框架”，国际传播使用 LumeSage 品牌。框架参考 HealthBench 的情境化评分思路，并结合长文档、时序推理、多轮沟通和动态安全测试研究，建立三个输入赛道、八类任务、分层评分及专家复核流程。本文的贡献是将附件中已经观察到的数据特点转化为可执行、可证伪的研究协议；所有拟议实验和建设目标均与已经完成的数据审计区别说明。

一、附件究竟能支持什么研究：先确定证据的颗粒度

1. 五个个体、十五次体检与两千余条指标，代表三种不同样本量

按照文件目录及结构化主键，附件可映射为 5 个个体标识，每个标识关联 3 次体检。体检登记年份包括 2023 年 5 次、2024 年 5 次、2025 年 4 次和 2026 年 1 次。个体归属仍应在正式项目中由数据提供方确认。15 份 PDF 的页数介于 13 至 26 页，全部页面以图像承载内容，常规文本提取未得到可检索文本。这使数据天然适合检验视觉阅读和结构化阅读之间的性能差异。

工作簿中的 2,012 行检验数据对应指标级观察，不是 2,012 名受试者。即使围绕同一份报告生成几十个问题，新增的也是相关任务，而非独立临床样本。同一个人的三次记录、同一报告中的多个指标和同一问题的不同措辞都有依赖关系。统计分析必须保留“个体—体检事件—文档—字段—任务”的层级，否则置信区间会被人为压窄，显著性也容易被夸大。

2. 这是报告层面的多模态资料，不能直接称为完整影像训练集

检查记录的类型包括超声 70 行、CT 13 行、心电图 15 行、MR 7 行、DR 1 行及一般检查 2 行，以上按原表行数统计，尚未去重。它们说明资料覆盖多种检查报告。压缩包并未提供独立 DICOM 序列或原始心电信号文件，因此可以研究“阅读影像报告与整合检验结果”，不能据此宣称完成了 CT 影像诊断能力、MRI 序列理解能力或波形分析能力的评价。PDF 中即使存在打印图像，也不等同于具有完整采集参数的原始影像。

主检表提供性别、身高、体重、血压、登记日期和总检建议，检查表提供项目、所见、结论和日期，检验表提供细项、结果、单位、参考范围及异常标记。三张表没有独立的完整用药史、症状发生轨迹、干预依从性、诊断确认过程或长期结局字段。PDF 可能出现其中的部分信息，但不能默认其完整。因此，当前最有证据基础的任务是体检资料理解和沟通；治疗因果推断、长期发病预测和临床获益评价需要补充数据。

二、数据审计揭示的六个问题，应直接进入评测设计

1. 结果文本与单位混写，考验的是字段恢复能力

2,012 条检验记录中，268 条结果以工作簿原生数值类型保存，其余 1,744 条以文本保存；有 1,278 条结果文本包含对应单位字段中的单位字符串。文本结果并非全部错误，因为阴性、阳性、颜色、形态和区间本来就可以用文字表达。真正需要解决的是把原始结果、比较符号、数值、单位、定性结论和异常标记分别保存。若直接把所有结果强制转换为浮点数，“小于检测限”“未检出”和“阴性”就可能丢失，数值字段也可能被静默置零。

正式标准化应保留 raw_value、numeric_value、comparator、unit_raw、unit_normalized、result_type 等字段，并保存来源行与页面位置。单位书写中存在大小写、空格、微量符号和字符变体，不能仅靠字符串替换完成医学单位转换。只有确认分析物、标本、测量方法及换算规则相容时，才允许跨单位比较。数据清洗的每一步都应能够回到原始证据。

2. 单位与参考范围为空，需要判断“是否适用”

单位字段有 548 行为空，参考范围有 228 行为空，按原表行数分别约占 27.2% 和 11.3%。这些是字段空值比例，不等于医学数据错误率。例如颜色描述、部分镜检形态和无量纲指标可能不需要常规单位；参考范围缺失也可能与项目性质或导出规则有关。评测应区分“不适用”“原报告未提供”“结构化遗漏”和“识别失败”，由原图与项目定义共同判断，而不是让模型自行补写一个所谓正常范围。

值得设置专门测试的是：参考范围为空的 228 行均被原表标记为“异常否”。这一组合不能证明数据存在错误，也不能自动证明结果正常。原始异常标记应作为待核对的记录字段，模型不得把它当成覆盖一切语境的诊断标签。对于具备数值、单位和明确上下界的项目，可以建立确定性范围核对程序；对于定性项目、复杂参考说明或临床阈值，则应另行设计规则与专家审查。

3. 重复、同名和项目别名会制造虚假的一致性

检查表发现 1 条完全重复记录，涉及一般检查项目；另有 2 条检查所见为空但结论存在。主检表的身高、体重、收缩压和舒张压各有 1 个空值。重复项应先核对是否为重复导出，再决定如何构造规范记录；同名检查在不同时间或不同部位可能有合法重复，不能一律删除。公开统计应说明采用原始行数还是去重事件数。

检验细项中有 368 个原始名称，这并不意味着 368 个互不相同的医学概念。例如相似检查名称存在不同写法，而“白细胞”一词可能出现在不同标本或检查组。概念归一需要结合检验组、标本、单位与检测方法。对纵向任务而言，“把不同项目误合并”与“把同一项目误拆开”同样重要，两者都应该有独立的错误类型和评分。

4. 时间字段不是单一的体检日期

将时间字符串规范为日期后，108 条检查记录中 87 条与主检登记同日，其余晚于登记日；2,012 条检验记录中 1,031 条同日，其余分布于随后日期。检查记录最大间隔为 27 天，检验记录最大间隔为 9 天。这可能来自分期检查、结果回报或记录流程，不能直接认定为日期错误。日期格式中包含月、日、年与时分秒，正式处理中必须显式指定解析格式，避免把月日顺序误读。

如果任务问“登记当天应如何解释现有资料”，则后续结果不应进入输入；如果任务问“完整体检结束后的总结”，则需要定义资料收齐时点。现有字段名未充分区分采样时间、检查时间、报告时间和导出时间，因而不能仅凭“检查日期”断言结果当时已经对医生可见。该语义确认应成为数据验收的一部分，也是防止时间泄漏的前置条件。

5. 报告总结既可以是输入，也可能泄漏答案

主检结论与健康建议可用于评估忠实摘要，却可能让“独立识别异常”任务变成抄写答案。应预先固定任务可见区域：摘要赛道允许读取结论，独立解释赛道遮蔽总结，报告证据核对赛道则同时显示明细和总结，要求模型标出不一致。原报告本身也可能有模板化建议或记录错误，不能未经专家核验就直接作为唯一金标准。跨页表格还要记录 PDF 物理页码与报告印刷页码，避免证据引用偏移一页。

6. 五个个体只能支撑原型研究

样本覆盖和来源机构代表性尚未建立，不能以五个个体推断不同年龄、地区、疾病状态或医疗系统中的普遍表现。一个说明统计局限的例子是：即使在 5 个相互独立的个体上观察到零次某类失败，在独立同分布二项假设下，该失败概率的单侧 95% 上限仍约为 45.1%，计算为 1 − 0.05^(1/5)。这不是本次模型实验结果，而是说明极小样本中的“零失败”不能支撑安全性承诺。

三、HealthBench 与近期论文带来的方法学启发

HealthBench 于 2025 年发布，包含 5,000 段健康对话和由 262 名医生参与撰写的 48,562 条评分标准。其核心机制是让模型回答给定对话的最后一条用户消息，再按该情境下应做到或应避免的行为逐项评分，并核对自动评分与医生判断的一致性。它包括多轮上下文，但这与让系统在一个可改变状态的环境中自主问诊并不是同一种实验。本研究借鉴其情境化 rubric 与评审校准思想，不复制其测试题，也不将自建分数称为官方 HealthBench 分数。[1]

2025 年发表的 LongHealth 使用较长的虚构临床文档考察信息抽取、否定和排序，说明“找不到信息时知道缺失”值得单独测量。它为纵向体检资料中的跨页检索和信息不足题提供方法参考，但任务来源和体检人群不同，分数不能直接横向比较。[2] 2026 年 ICML 的 HEARTS 将健康时序推理组织为感知、推断、生成和演绎等能力层次；其信号模态和采样密度与每年一次体检存在明显差异，适合借鉴分层任务设计，不宜用三次稀疏体检观察代替连续生理信号。[3]

2026 年的 MedDialogRubrics 预印本提出基于原子医学事实限制患者模拟器，并利用专家修订的细粒度标准评估多轮对话。这对本项目的启发是：模拟用户只能提供预先定义的信息，不能临时编造用药史和症状来迎合模型提问；该文属于预印本，其结论应按此证据状态理解。[4] 同年 Nature Health 的动态红队研究强调静态成绩与扰动下可靠性之间的差距，因此本框架将日期扰动、无关叙述、错误前提和隐私诱导纳入独立压力测试，不把普通测试平均分当成鲁棒性证据。[5]

2026 年 10 月的 HealthFound 预印本进一步探索大规模纵向健康档案中的定量推理与疾病预测。其数据规模、随访与结局条件远超本附件，论文也明确区分关联预测与因果干预、回顾性评价与前瞻性验证。对朗慧而言，这是一条后续研究方向：先把时间、单位、缺失和证据关系处理可靠，再讨论拥有足够随访数据后的预测任务，不能把前沿论文的模型成绩移植为本项目能力。[6]

四、建议研究定位：纵向体检报告理解与健康沟通

建议使用中文名称“朗慧纵向体检 AI 评测研究框架”，其他语言统一使用“LumeSage Longitudinal Checkup Evaluation Framework”。该名称表示拟议研究协议，不意味着已成立权威认证或完成国际榜单。核心研究问题是：在给定、可追溯的体检证据下，系统能否准确恢复信息、正确组织时间关系，并产生安全且有用的解释？

设置三个输入赛道有助于定位错误。A 赛道直接提供去标识化报告页面，考察端到端能力；B 赛道提供经过专家核验的结构化事实，考察在较理想输入下的推理与沟通；C 赛道提供现实 OCR 或自动抽取结果，考察上游噪声如何影响结论。三个赛道使用相同任务定义和信息截止时间，明确页面裁剪、允许工具与检索条件。B 与 C 的差距可以帮助研究错误传播，但不能简单把所有差异解释为 OCR 的单独因果效应，因为输入表示方式也发生了变化。

原型阶段建议保留每个个体的全部年份在同一数据分区，使用患者级留一分析观察失败模式，并将结果标记为探索性。将同一个人的前两年放入训练集、第三年放入测试集，可能适用于特定个体内预测问题，但不能作为一般化到新个体的证据。面向新个体的主榜单必须按个体隔离；面向未来事件的任务还必须按时间隔离，两个目标需要不同的研究协议。

五、围绕附件构建八类可执行任务

任务一：页面与字段定位

要求模型给出某次体检中一个指标的原始值、单位、参考范围及证据页码，同时指出该值来自明细还是总结。评分分别计算字段恢复正确性、页码定位准确性和无证据回答率。数值正确但引用了错误年份，也应判为关联错误。对于报告中没有的信息，正确答案可以是“未提供”，其得分不能低于编造一个貌似合理的数值。

任务二：项目归一与比较前提判断

给出跨年的相似项目名，要求判断是否具备可比性，说明标本、单位、方法和参考范围是否充分。评价重点是正确合并、正确拒绝合并和保留歧义。同样的缩写不能自动视为同一检验，单位一致也不能保证测量方法一致。参考范围变化应独立展示，模型不能把区间调整本身解释成个体健康改善。

任务三：跨年变化与不规则时间推理

要求按实际日期排序，描述上升、下降、波动或缺失，并分别报告绝对变化与在适用条件下的相对变化。三次观察支持有限的描述性比较，不足以拟合可靠的疾病轨迹。若间隔不相等，不能把两次差值直接当作等时间速度；若量纲或方法不兼容，应先停止比较。问题可以加入“今年一定更健康吗”等错误前提，检验系统是否能够纠正过度解释。

任务四：检查所见、结论与检验之间的证据整合

围绕报告中真实存在的器官检查和检验组，要求系统列出相关证据、指出哪些结论仅为报告描述、哪些需要进一步核验。对影像报告中的“考虑”“建议复查”“未见明显异常”，应保留其确定性级别。模型不应根据一个指标把影像描述升级为病理确诊，也不应把同一天记录的多个发现解释为相互因果。

任务五：信息缺失、矛盾与拒绝过度推断

有意隐藏一个必要字段，或加入跨页冲突，要求模型说明无法完成哪一步、需要补充什么。空值不能等同于正常，“未提及”不能等同于“不存在”，“既往正常”也不能自动等同于当前正常。此类题应包含可回答和不可回答样本，以防模型靠一律拒答获得高安全分。记录恰当拒答、无必要拒答和未识别证据不足三类结果。

任务六：面向用户和专业人员的不同表达

同一组证据设置两种读者：希望理解报告的普通用户，以及需要快速核对资料的专业人员。普通用户版本应解释术语、减少无关信息、指出下一步沟通对象；专业人员版本应保留单位、证据位置与不确定性。两种版本的事实必须一致。评价应覆盖准确性、重要信息覆盖、理解负担与行动建议的适当程度，不能奖励文字越长越好。

任务七：受约束的多轮补充与安全转介

根据独立编写的模拟情境测试追问顺序，例如系统是否先确认症状、是否知道体检资料无法排除新出现的急性问题。模拟情境应明确标注为合成，并与真实样本分析分开报告。用户代理只能从经专家审核的事实表回答；附件没有的症状和用药史不能当作真实病史补进原样本。紧急情境的判断标准应由具备相应资质的临床专家依据适用指南确定，本文不把某个化验值直接定义为统一转介阈值。

任务八：扰动、隐私与多语言一致性

在不改变医学事实的条件下，改变页面顺序、排版、单位表示、语言、提问方式或加入无关叙述，观察结论是否稳定。针对数字与单位建立等价变换测试，对日期和否定词建立必须改变答案的对照测试。两类扰动要分开：不变性测试要求答案保持一致，敏感性测试要求答案随关键事实更新。错误地把两者混用，会让评测奖励不敏感的系统。

国际版本应覆盖中文、英语、印地语、西班牙语、阿拉伯语、法语、孟加拉语和葡萄牙语，但“网站文章已翻译”不等于“多语言评测已经验证”。正式题库需要双语医学人员检查术语、数字格式、否定范围、地区医疗条件与阅读难度；对阿拉伯语还要检查从右至左布局中的数值和单位顺序。语言版本来自同一病例时，仍属于同一相关样本簇。

六、评分体系：事实核对、情境标准与安全事件共同报告

建议建立四层参考标准。第一层是经过逐项核验的文档事实，包括数值、单位、时间和证据坐标；第二层是由确定性程序计算的排序、差值与格式转换；第三层是医生依据具体用途制定的解释和沟通 rubric；第四层是独立审核的严重错误定义。程序可以判定算术，专家负责医学适当性，两者的职责不能混在一个模糊的“答案相似度”里。

每条 rubric 只描述一个可判定行为，包含适用条件、证据来源、正负方向、权重、判定例子和版本。正向项可以是准确引用三次结果、指出证据不足；负向项可以是虚构检查、擅自建议停药或把筛查异常说成确诊。权重需在正式比较模型之前确定，并经专家试评修订。不要根据某个候选模型的输出事后重写评分标准。

作为本项目的拟议公式，单任务原始分可以定义为：S = 100 ×（已满足正向项的权重和 − 已触发负向项的惩罚和）/ 全部适用正向项权重和。分母必须大于零；负分保留于审计记录，汇总时先对任务和个体按预注册规则聚合，再决定展示范围。不同题目没有适用的某个维度时，记为不适用并披露分母，不能当作零分或自动满分。该公式是研究协议提案，权重与汇总方式尚未通过本批数据的专家校准。

公开结果至少应同时展示字段准确率、证据引用正确率、时间关系准确率、恰当拒答率、严重错误发生率、专家 rubric 分和成本时延。严重错误应同时报告任务级与个体级分母，并明确错误机会的定义。安全门槛不宜由少数案例随意设定，也不能被高语言质量分抵消。样本量不足、评审不一致或关键安全项未完成验证时，状态应显示“探索性结果”，暂不参加正式排序。

一个完全合成的任务示例

为说明评分方式，构造不对应附件任何个体的教学例子：三次人工设定的血红蛋白结果依次为 142、138 和 141 g/L，题目只要求描述变化并说明能否推断原因。合格回答应指出先降后升、最后一次低于第一次，并说明仅凭这三个数值无法推断变化原因。若系统称其“持续下降”、编造用药史或据此直接给出治疗方案，则触发相应错误项。这个示例仅解释时间与证据约束，不用于给出临床诊断阈值。

自动裁判必须先通过元评测

模型裁判可能偏好某种表达风格、较长回答、熟悉的术语或与自身相似的答案。应安排至少两位具备相应领域经验的专家独立评分，再对分歧进行仲裁；同时比较专家之间及自动裁判与专家之间的一致性。除总体一致率，还应查看正负项分别的召回率、严重错误漏判和亚组差异。对来源证据不足的医学结论，自动裁判不能用自身常识补齐标签。TRIPOD-LLM 对模型、数据、提示、标注与评价过程的透明报告提供了相应方法框架。[7]

七、可发表的实验设计：把研究问题写成可被推翻的假设

研究选题一：图像识读错误如何传播为健康解释错误？比较原始页面、核验字段和自动抽取文本三个赛道；记录小数点、比较符号、单位、日期及跨行错配的错误链。主要终点可选择预先定义的证据一致性，次要终点包括临床解释错误和人工纠错时间。干预实验应一次只改变一种噪声类型，并将自然噪声与人工扰动分开分析。

研究选题二：显式时间线是否改善跨次体检推理？在相同信息预算下比较按页面排列、按日期排列和结构化事件表三种输入，控制模型、提示、工具、上下文长度和信息截止时间。假设是显式时间关系可以改善排序和变化描述，但也可能因表格转换丢失语境。不能先假定某种表示必然最优，应记录失败任务并检查证据覆盖。

研究选题三：来源约束和未知状态能否减少过度解释？对照普通摘要提示与要求逐条引用证据、列出未知项的提示，评价虚构事实率、恰当拒答和信息遗漏。若模型通过大量拒答降低错误率，应同时显示覆盖率下降。研究必须关注错误与可用性的关系，不能只报告一个看似更安全的平均分。

研究选题四：情境化 rubric 是否比答案相似度更接近专家判断？对同一批输出分别采用词面匹配、语义相似度、任务 rubric 和专家盲评，比较方法对正确简答、冗长错误回答、合理替代表述的区分能力。HealthBench 提供了这一方向的参照，但本项目仍需独立验证裁判、专家与任务的匹配程度。输出中无需暴露模型完整内部推理过程，评价可检查的证据引用、计算和最终解释即可。

研究选题五：语义等价的多语言问题能否得到一致的医学事实？在经过双语专家核验的配对题目上，比较关键事实、否定词、单位和行动建议的一致性。将翻译问题、文化适配问题和模型医学问题分别记录。语言间差异不能仅凭机器翻译后的相似度判定，更不能把同一病例的八种翻译当成八名独立受试者。

这些选题目前处于协议设计阶段。正式实验需锁定模型版本、运行日期、提示、温度、检索库、OCR 引擎、页面处理方式和重复次数，保留失败与超时日志。比较应在同一任务上配对，置信区间应考虑个体聚类；仅有五个个体时，聚类自助法本身也不稳定，应优先呈现逐个体结果和探索性范围。多终点分析需要预注册主次顺序，后验发现必须如实标记。

八、从原型走向可信榜单：分阶段建立证据

第一阶段完成数据授权核查、去标识化、原图与字段对齐、概念字典、时间语义和专家标注规范。现有附件可用于完善这些流程，但正式用于第三方模型调用或公开测试集之前，需要确认相应授权范围。移除姓名和证件号后，年龄、日期、罕见检查组合及长期轨迹仍可能形成再识别线索。公开文章只呈现汇总统计和合成示意，真实报告、原始主键及个体轨迹保持在受控环境中。

第二阶段执行有限原型实验，优先识别任务是否清楚、标注是否可重复、自动裁判是否漏掉严重错误。这个阶段的成功标准是评测工具可用且问题可复核，而非发布商业排名。预估专家工作量时，应按新病例、争议任务、严重错误审核与版本复核计算，不能仅按模型请求次数估算项目成本。

第三阶段扩展至来源多样、个体独立的数据，预先规划机构外和时间外测试。样本量应根据目标效应、主要终点、错误率精度及个体内相关性计算，不能因为“整百或整千更适合宣传”就选定规模。加入不同体检流程、版式、项目组合和缺失模式，并把训练、开发、隐藏测试与公开示例分离。数据更新要保留旧版本桥接集，使新旧成绩的变化有可解释依据。

第四阶段在符合机构治理要求的真实工作流中，研究医生核对时间、修改负担、重要信息遗漏、用户理解和错误升级情况。DECIDE-AI 针对早期真实临床使用的报告要求可作为参考。若进一步研究诊断准确性，应采用相应参考标准并遵循 STARD-AI；若研究未来风险预测，则应匹配 TRIPOD+AI 的报告框架。不同指南回答不同研究问题，不能把填写检查表视为已经取得临床验证。[8][9][10]

九、榜单的医疗贡献与朗慧的业务价值

对体检机构，可靠的评测能够把“报告解读得好不好”拆解成具体要求：是否读错数值、是否错配年份、是否忽略重要变化、是否添加无依据结论，以及人工复核需要多长时间。采购验收因此可以围绕可核验的任务和错误阈值展开，而不仅依靠演示案例。对医疗人员，证据定位和错误轨迹有助于减少反复查找资料的负担，但节省多少时间、是否改善沟通效果仍需真实工作流研究测量。

对算法团队，三个输入赛道和八类任务可以帮助区分视觉识读、数据表示、时间推理和安全沟通的短板。修复单位解析与补充医学知识需要不同投入，给模型增加上下文也未必解决字段误配。对研究者，版本化任务、隐藏测试和可审核 rubric 提供了复现基础；对普通用户，最有价值的结果是更容易分辨报告事实、可能解释和需要专业确认的事项。

朗慧可围绕资料治理、报告结构化、医学概念标注、专家复核、私有评测和版本回归组织交付。国际材料统一使用 LumeSage 品牌，涉及签约主体时准确使用北京朗慧科技有限公司及其对应英文名称。能力应通过样本规范、数据卡、证据定位、标注一致性、评测日志和验收报告说明。本文不以附件数量推导公司总体库存、临床专家规模或已完成合作数量。

业务模式可以分为数据准备、评测协议与执行、持续回归三个可验收阶段，每个阶段明确输入、产出、授权和责任。若未来同时为客户提供模型改进服务和公开榜单服务，应设置利益冲突披露、开发与评审职责隔离、统一提交规则和申诉机制。付费客户不能因此获得更有利的题目、权重或结果展示；隐藏测试数据也不应回流到客户训练流程。

这批体检资料最有价值的起点，是把临床文档中容易被忽视的时间、单位、缺失和证据关系转成严格的测试问题。由此建设的榜单，能够支持机构选择工具、算法团队定位错误和研究者积累可复核证据。其长期可信度取决于样本代表性、专家标准、独立验证与持续维护；单一分数无法代替这些条件。

常见问题

参考文献与资料说明

附件用于本地结构核查、字段审计和研究需求分析，未经逐字段双人医学核验；OCR 仅用于辅助检索和原报告核对，不构成医学参考标准。用户提供的微信文章因访问验证未能读取正文，未作为本文证据。以下文献均链接至论文、期刊或官方项目来源；预印本已注明。

[1] Arora RK, Wei J, Hicks RS, et al. HealthBench: Evaluating Large Language Models Towards Improved Human Health. 2025，预印本与官方项目。arXiv:2505.08775；OpenAI HealthBench。

[2] Adams L, Busch F, Han T, et al. LongHealth: A Question Answering Benchmark with Long Clinical Documents. Journal of Healthcare Informatics Research. 2025. doi:10.1007/s41666-025-00204-w。

[3] Li S, Xiao S, Joshi M, et al. HEARTS: Benchmarking LLM Reasoning on Health Time Series. ICML 2026, PMLR 306:71383–71433. 会议论文。

[4] Gong L, Fang W, Yang T, et al. MedDialogRubrics: A Comprehensive Benchmark and Evaluation Framework for Multi-turn Medical Consultations in Large Language Models. 2026，预印本。arXiv:2601.03023。

[5] Pan J, Jian B, Hager P, et al. Addressing benchmarking gaps in large language models for health and medicine with dynamic red-teaming. Nature Health. 2026. doi:10.1038/s44360-026-00152-8。

[6] Guo H, Song L, Ren P, et al. HealthFound: a health world model for quantitative reasoning on longitudinal health profiles. 2026，预印本。doi:10.64898/2026.10.03.26364142。

[7] Gallifant J, Afshar M, Ameen S, et al. The TRIPOD-LLM reporting guideline for studies using large language models. Nature Medicine. 2025;31:60–69. doi:10.1038/s41591-024-03425-5。

[8] Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. 2022;377:e070904. doi:10.1136/bmj-2022-070904。

[9] The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence. Nature Medicine. 2025;31:3283–3289. doi:10.1038/s41591-025-03953-8。

[10] Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378。