知识卡片：ClinMM-Bench：多轮多模态临床诊断推理评估基准

一句话结论
现有多模态大语言模型在真实临床诊断中的多轮推理能力仍然有限，即使最优模型也仅有极少数案例能完全正确诊断；ClinMM-Bench 是目前规模最大的多轮多模态临床诊断评估基准，揭示了五种典型失败模式。

事件概述 / 研究问题
临床诊断过程涉及多模态信息的逐步披露、诊断假设的动态更新和推理的持续修正，但现有评估通常基于单轮或孤立任务，无法反映真实临床复杂性。为弥合这一差距，研究团队开发了 ClinMM-Bench，用于系统评估多模态大语言模型在多轮、多模态临床诊断中的表现。

方法 / 产品要点

• 数据集：包含 1,089 个具有挑战性的真实世界临床病例，共 3,760 张医学图像，覆盖 8 个专科。
• 评估框架：采用双层评估体系，分别衡量 诊断准确性 和 诊断推理质量。
• 评估模型：对 15 个有代表性的多模态大语言模型进行了系统评估，包括闭源和开源模型。

主要结果 / 产业意义

• 闭源模型在总体诊断准确性上最高，但所有模型的 完全正确诊断比例仍然有限（具体数值待核实）。
• 在推理质量方面，当前模型能识别合理的诊断方向，但在生成可靠的诊断推理链条上存在显著局限。
• 错误分析归纳出五种典型失败模式：信息整合失败（information synthesis failure）、知识映射错误（knowledge mapping error）、感知错误（perception error）、过早关闭（premature closure）以及视觉幻觉（visual hallucination）。

为什么重要

• 本工作首次将临床诊断的 多轮交互特性 纳入基准测试，填补了现有单轮评估无法模拟真实临床流程的空白。
• 与已有单轮或孤立任务基准相比，ClinMM-Bench 更贴近医生逐步获取信息、修正假设的真实工作流，为改进模型的临床实用性提供了关键方向。

局限与不确定性

• 数据集规模（1,089 例）虽为目前最大，但相比临床海量病例仍有限，专科覆盖可能不全面。
• 评估框架仅关注诊断准确性与推理质量，未涵盖患者沟通、伦理判断等临床软技能。
• 失败模式分类基于现有错误分析，可能未穷尽所有类型的推理缺陷（如跨模态时序对齐错误）。

可用于图书/PPT/简报的角度

• 医疗AI评估的新范式：对比单轮 VS 多轮评估的差异，突出 ClinMM-Bench 对临床模拟的真实性提升。
• 模型能力边界：展示即使最先进模型在“完全正确诊断”上的低比例，警示医疗AI辅助的可靠性风险。
• 失败模式教学：用五种典型失败模式作为案例，分析模型在信息整合、知识映射等方面的弱点，适合课堂教学或产品改进讨论。

原始材料

• 英文标题：Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases
• 英文关键词：Multi-turn multimodal clinical diagnosis, Benchmark, MLLMs, Diagnostic reasoning
• 来源：arXiv: 2607.25933v1, URL: https://arxiv.org/abs/2607.25933v1