欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
经过六个月的合作，由多位胸外科医生共同参与的团队发布了全球首个面向大模型专病循证能力的评测框架——GAPS（Grounding, Adequacy, Perturbation, Safety），并同步推出配套评测集GAPS-NSCLC-preview。该框架聚焦非小细胞肺癌（NSCLC）领域，系统评估大模型在医学证据溯源、回答充分性、扰动鲁棒性与安全性四个维度的表现，填补了当前AI医疗领域在专病场景下循证能力量化评测的空白，为临床可信AI的发展提供了重要工具。
关键词
大模型, 循证, 胸外科, 评测框架, GAPS
在人工智能加速渗透医疗领域的今天，大模型是否真正具备临床可信的循证能力，成为医学界关注的核心议题。经过六个月的合作，由多位胸外科医生共同参与的团队发布了全球首个面向大模型专病循证能力的评测框架——GAPS（Grounding, Adequacy, Perturbation, Safety），并推出配套评测集GAPS-NSCLC-preview。这一里程碑式的成果，标志着AI在医学应用中的评估体系正从通用性测试迈向专病场景下的精细化衡量。GAPS框架聚焦非小细胞肺癌（NSCLC）领域，首次系统性地从证据溯源（Grounding）、回答充分性（Adequacy）、扰动鲁棒性（Perturbation）和安全性（Safety）四个维度对大模型进行多维评估，填补了当前AI医疗在专病循证能力量化评测方面的空白。其诞生不仅是技术进步的体现，更是临床医生深度参与AI评价体系建设的重要信号，为构建可信赖、可解释、可落地的医疗AI提供了坚实基础。
GAPS框架的发布，为胸外科这一高度依赖精准决策的学科带来了全新的工具支持。通过GAPS-NSCLC-preview这一针对非小细胞肺癌设计的评测集，胸外科医生能够更科学地评估大模型在真实临床问题中的表现，尤其是在治疗方案推荐、影像解读辅助和围术期管理建议等方面的能力。该框架不仅有助于筛选出真正具备临床价值的大模型产品，也为未来开发专科导向的AI辅助系统提供了标准化测试路径。随着更多胸外科专家的持续参与，GAPS有望成为该领域AI应用准入与优化的核心参考标准，推动智慧医疗从“可用”向“可信”迈进。
在医学决策中，每一条建议都应有据可依，这正是“循证”理念的核心所在。大模型若要在临床实践中发挥作用，必须超越语言生成的表层能力，深入到医学证据的理解、整合与准确表达之中。GAPS框架的提出，正是为了检验这种深层次的循证能力。它要求模型不仅能提供答案，还需能追溯至权威指南或高质量研究，确保信息来源可靠；同时，在面对复杂病情描述时保持回答的完整性与针对性。这种能力的实现，意味着大模型有可能成为医生获取最新知识、辅助制定个体化治疗策略的有力助手，尤其在资源不均的医疗环境中，展现出提升诊疗同质化的巨大潜力。
相较于传统的通用型AI评测方法，GAPS展现出显著的专业性与临床贴合度。现有评测多侧重于语言流畅性、常识理解或通用医学知识记忆，难以反映大模型在特定疾病场景下的真实表现。而GAPS则以非小细胞肺癌为切入点，构建了涵盖证据支撑、内容充分性、抗干扰能力和安全边界四大维度的立体评估体系。这种专病导向的设计，使得评测结果更具临床解释力和实践指导意义。此外，GAPS-NSCLC-preview评测集的推出，也为横向比较不同模型在同一专科任务上的性能提供了统一标尺，弥补了以往缺乏标准化测试数据集的短板，标志着医疗AI评测正走向专业化、精细化的新阶段。
GAPS-NSCLC-preview作为全球首个面向大模型专病循证能力的配套评测集，以其高度专业化和临床导向的设计脱颖而出。该评测集聚焦非小细胞肺癌（NSCLC）领域，围绕证据溯源、回答充分性、扰动鲁棒性与安全性四大维度构建测试任务，确保对大模型在真实胸外科临床语境下的综合表现进行精准刻画。其题目设计不仅涵盖指南推荐、分期判断与治疗策略选择等核心诊疗环节，更通过设置细微信息扰动来检验模型的稳定输出能力。尤为关键的是，所有问题均基于权威医学文献与临床实践标准精心编制，强调答案必须可追溯至具体研究或共识文件，从而推动大模型从“泛化生成”向“有据可依”的转变。这种以临床价值为导向的评测逻辑，使GAPS-NSCLC-preview成为连接人工智能技术发展与医学专业需求的重要桥梁。
在非小细胞肺癌这一复杂且快速演进的疾病领域，GAPS-NSCLC-preview为研究人员提供了标准化、可复现的评估工具。通过该评测集，研究团队能够系统比较不同大模型在相同任务下的表现差异，识别其在证据整合、推理链条完整性及安全边界控制方面的优劣。这不仅有助于筛选出真正具备临床辅助潜力的AI系统，也为后续模型优化提供了明确方向。更重要的是，该评测集支持跨机构协作验证，使得专病AI研究不再局限于单一团队的经验判断，而是迈向数据驱动、共识共建的新范式。随着更多胸外科专家参与评测样本的扩展与迭代，GAPS-NSCLC-preview有望成为NSCLC相关AI开发不可或缺的基准测试平台。
GAPS-NSCLC-preview的数据构建过程严格遵循循证医学原则，所有测试样本均来源于经过同行评审的权威指南、高质量临床试验报告及国际公认的专业数据库。在内容采集阶段，由多位胸外科医生组成的专家组共同筛选具有代表性的临床场景，并将其转化为结构清晰、语义明确的问答对。每一道试题均要求附带详细的证据来源标注，确保评测过程透明可信。在数据处理方面，团队特别设计了多层次校验机制，包括医学准确性审核、语言表达一致性检查以及对抗性扰动测试，以提升评测集的稳定性与挑战性。整个构建流程历时六个月，凝聚了临床医学与人工智能交叉领域的集体智慧，体现了医生深度参与AI评价体系建设的创新路径。
GAPS-NSCLC-preview的发布，标志着胸外科在智能医疗评估体系构建中迈出了开创性一步。它不仅为大模型在肺癌诊疗中的应用提供了科学、可量化的评判标准，更促进了临床医生与AI开发者之间的深度对话。通过这一评测集，胸外科专家得以将长期积累的临床经验转化为可操作的评估指标，真正实现“以医为主”的技术治理理念。此外，该评测集的公开预览版本为学术界和产业界提供了统一的比较基准，推动AI研发从黑箱式性能竞赛转向注重可靠性与可解释性的良性发展轨道。未来，随着更多专科场景的拓展，GAPS系列评测集或将引领医疗AI评测体系的整体升级，助力智慧胸外科走向更加安全、可信的明天。
对于奋战在临床一线的胸外科医生而言，GAPS评测框架的诞生不仅是一次技术革新，更是一场思维方式的深刻变革。长期以来，医生们在面对层出不穷的AI辅助工具时，往往缺乏统一、可信的标准来判断其真实价值。而如今，由多位胸外科医生共同参与构建的GAPS框架，真正实现了“以医者之眼”审视人工智能的能力边界。它让医生从被动接受者转变为评测体系的设计者与主导者，赋予他们在AI时代更强的专业话语权。通过GAPS，医生能够清晰识别哪些模型具备扎实的证据支撑能力，哪些仅停留在表面的语言模仿；在治疗方案推荐、围术期管理建议等关键环节中，他们得以借助科学量化的方式筛选出真正可信赖的AI助手。这种从“经验直觉”到“数据驱动”的转变，正悄然重塑着胸外科医生的工作生态，也为临床决策注入更多理性与信心。
GAPS-NSCLC-preview评测集的推出，为提升胸外科临床决策效率提供了切实可行的技术路径。该评测集聚焦非小细胞肺癌领域，围绕证据溯源、回答充分性、扰动鲁棒性与安全性四大维度设计测试任务，确保大模型在真实临床语境下的表现可被精准刻画。医生可通过这一标准工具，快速评估不同AI系统在指南推荐、分期判断和治疗策略选择等方面的表现差异，从而筛选出最符合临床需求的辅助模型。尤其在面对复杂病情或多学科会诊场景时，经过GAPS验证的大模型能高效整合最新研究证据与权威共识，缩短信息检索时间，减少人为遗漏风险。更重要的是，GAPS强调答案必须可追溯至具体文献或指南，促使AI输出更具解释力和可信度，使医生能够在有限时间内做出更加精准、有据可依的决策，真正实现智慧医疗与临床实践的深度融合。
GAPS评测框架不仅服务于临床实践，也为医学教育开辟了全新的可能性。在胸外科人才培养过程中，如何培养学生对循证医学的深刻理解，一直是教学的重点与难点。GAPS以证据溯源（Grounding）、回答充分性（Adequacy）、扰动鲁棒性（Perturbation）和安全性（Safety）四个维度为核心，构建了一套结构化、可量化的评估逻辑，这本身便是一种极具启发性的教学范式。教师可借助GAPS-NSCLC-preview中的标准化案例，引导学生分析AI模型的回答是否基于权威指南、是否存在信息缺失或推理漏洞，进而培养其批判性思维与临床判断力。同时，通过对比不同模型在同一问题上的表现，学员能够直观感受到“有据可依”与“泛化生成”之间的本质区别，强化循证意识。未来，随着更多专病场景的拓展，GAPS有望成为胸外科及相关专科医学教育中不可或缺的教学工具，推动新一代医生在AI共存的时代中，既善用技术，又坚守医学本质。
GAPS评测框架的发布标志着医疗AI评估体系迈向专业化、精细化的新阶段，但它的意义远不止于此。作为全球首个面向大模型专病循证能力的评测框架，GAPS为后续更多专科领域的评测标准建设提供了可复制的范本。未来，随着更多胸外科专家持续参与，GAPS-NSCLC-preview有望从预览版本发展为全面覆盖非小细胞肺癌诊疗全流程的权威基准，并逐步扩展至其他肺癌亚型乃至整个胸部肿瘤领域。与此同时，该框架所倡导的“医生深度参与AI评价”的理念，或将引领一场跨学科协作的浪潮，推动临床医学与人工智能技术更加紧密融合。可以预见，在GAPS的带动下，医疗AI将不再仅仅追求性能指标的提升，而是转向可靠性、可解释性与临床价值的深层构建。这一转变，终将助力智慧医疗从“可用”走向“可信”，开启一个以患者为中心、以证据为基础、以专业为底线的全新篇章。
在医疗AI的探索之路上，安全从来不是一项可选项，而是不可逾越的底线。GAPS评测框架将“安全性”（Safety）置于四大核心维度之一，正是对这一信念的坚定回应。它不仅要求大模型提供准确、充分的回答，更严格审视其输出是否可能引发误导性建议或潜在临床风险。例如，在非小细胞肺癌的治疗推荐中，模型若错误引导靶向治疗用于无驱动基因突变的患者，后果不堪设想。GAPS通过设计包含边界案例与高风险情境的测试题，系统检验模型能否识别禁忌症、规避不合理干预，并在不确定时主动提示“缺乏足够证据”，从而构建起一道智能辅助与患者安全之间的防护屏障。这种以临床后果为导向的安全评估逻辑，使GAPS超越了技术指标的范畴，成为守护生命尊严的技术守门人。
GAPS评测的准确性，根植于其严谨的医学证据基础和多层级的质量控制机制。所有评测问题均源自经过同行评审的权威指南、高质量临床试验报告及国际公认的专业数据库，确保每一个测试样本都经得起专业推敲。更重要的是，由多位胸外科医生组成的专家组全程参与试题筛选与答案校验，从临床实践的真实需求出发，判断模型回答是否具备医学合理性与操作可行性。每一道试题均附带详细的证据来源标注，形成可追溯、可复核的闭环体系。这种深度融合临床智慧与科学规范的构建方式，使得GAPS-NSCLC-preview不仅是一个测试工具，更是一份凝聚共识的医学知识图谱，为评测结果的可信度提供了坚实支撑。
GAPS评测框架的诞生，标志着医疗AI评估正从零散的经验判断走向系统化、可复制的标准化流程。该流程始于对非小细胞肺癌诊疗路径的全面梳理，继而由胸外科专家提炼关键决策节点，转化为结构清晰的问答任务。随后，团队依据循证医学原则采集数据，并通过医学准确性审核、语言一致性检查与对抗性扰动测试等多重校验环节完成数据处理。最终形成的GAPS-NSCLC-preview评测集，涵盖证据溯源、回答充分性、扰动鲁棒性与安全性四大维度，构成一个完整、透明且可横向比较的评估体系。这一流程不仅保证了评测本身的科学性，也为未来其他专病领域开发类似框架提供了可借鉴的方法论路径，推动医疗AI评测迈向规范化发展的新阶段。
尽管GAPS框架展现出强大的专业性与前瞻性，其发展仍面临诸多现实挑战。首要难题在于如何持续更新评测集以跟上医学知识的快速迭代，尤其是在非小细胞肺癌领域，新药研发与治疗指南更新频繁。此外，不同大模型在语言表达风格上的差异也可能影响人工评分的一致性，带来评估偏差。为应对这些挑战，研究团队已建立动态修订机制，计划定期吸纳最新临床证据并优化测试题目；同时引入双盲评审与跨机构协同验证，提升评分的客观性与普适性。更为关键的是，GAPS始终坚持医生主导的原则，确保任何技术调整都不脱离临床本质需求。正是在这种不断反思与改进的过程中，GAPS正逐步成长为一个真正服务于医学价值的可持续评测生态。
经过六个月的合作，由多位胸外科医生共同参与的团队发布了全球首个面向大模型专病循证能力的评测框架——GAPS（Grounding, Adequacy, Perturbation, Safety），以及配套评测集GAPS-NSCLC-preview。该框架聚焦非小细胞肺癌领域，从证据溯源、回答充分性、扰动鲁棒性与安全性四个维度系统评估大模型的临床可信度，填补了专病场景下AI循证能力量化评测的空白。GAPS不仅为胸外科AI应用提供了科学、可复制的标准化路径，也标志着医疗AI评测正迈向专业化、精细化的新阶段，推动智慧医疗从“可用”向“可信”演进。