医疗AI在一道选择题上答对，不代表它能完成一次真正的接诊。Google DeepMind联合多家医院提出ResidencyRL，让模型在最长60轮对话、最多8次工具调用的模拟门诊中练习问诊、检查、诊断、治疗和记录。在97个病例的医生盲评中，经过训练的智能体获得87.6%的整体偏好。
从答题转向完整照护流程
现实临床决策是连续的：医生先收集主诉和病史，再决定检查，依据新结果调整判断，还要向患者解释风险并留下文书。模型若过早下结论，可能漏掉危险信号；若无节制调用检查，又会制造成本和不必要干预。单轮医学问答很难覆盖这些取舍。
ResidencyRL把训练环境设计成“模拟住院医轮转”。场景生成器提出常规、复杂和对抗性病例，患者模拟器只在被恰当询问时透露相应信息。智能体可以进行多轮沟通和工具调用，最终不仅要给出诊断，还需提交管理方案、随访安排和临床记录。
病例信息分阶段出现，模型必须主动追问，而不是一次看到完整标准答案。
奖励不只看诊断名称
系统为每条轨迹设置结构化评分，覆盖诊断准确性、管理方案、病史采集、沟通、文书和安全性。训练采用群组相对策略优化，让同一场景中的多种处置相互比较。生成场景还经过“提出者—评判者”流程筛选，避免模型只记住固定题库的表述。
这一设计的重点是延迟反馈：前几轮选择的问题，会影响后面能否发现关键信息；工具调用看似局部正确，也可能把整条诊疗路径带偏。强化学习因此优化的是完整轨迹，而非单个医学事实。论文展示的肿瘤和远程医疗案例中，模型需要结合症状变化、既往史与检查结果逐步收窄判断。
长程训练要求模型把检查结果重新纳入后续决策，而不是机械重复最初计划。
对抗场景提升7个百分点
在包含误导信息或异常表现的对抗性病例中，ResidencyRL的诊断表现由81%提高到88%，提升7个百分点；漏掉关键危险信号的情况减少31%。这些数字说明，收益并非只来自在简单病例上写出更完整的回答，而是体现在信息不充分、需要继续追问的场景。
医生对97个病例进行成对盲评时，87.6%的总体比较偏好ResidencyRL版本；完整性偏好达到90.7%，管理质量偏好为75.3%。团队还在AMIE多轮诊疗框架的六个维度及其他医学评测上观察到方向一致的改进。
完整性与管理质量之间的差距值得注意。模型更容易学会多问问题、写出覆盖面更广的记录，但从更多信息中选出恰当治疗方案仍然更难。换言之，强化学习首先改善了流程纪律，并没有把所有临床判断同时推到同一水平。对实际系统评估，也应把信息收集、诊断、处置和安全分别报告，而不能用一个总体偏好分数代替。
偏好评测覆盖整体质量、完整性与管理方案，但它仍属于模拟病例中的专家判断。
从模拟训练走向临床辅助应用
ResidencyRL首先适合用于临床AI的训练与压力测试：在不接触真实患者的环境中，批量生成复杂病例，检查模型是否主动追问危险信号、合理使用工具并完成结构化记录。医院也可以围绕本地流程构造专科场景，提前发现单轮医学考试覆盖不到的工作流问题。
论文中的患者、工具反馈和部分评判来自模拟系统，97例医生偏好不能替代真实患者结局。下一步仍需由医生主导开展前瞻性评估，分别验证诊断、处置、安全和文书质量，并持续记录模型建议被采纳、修改或否决的原因。
如果这些评估能够建立稳定边界，ResidencyRL的长程训练方式可以先进入医生辅助、病例演练和质量审核，而不是让模型直接承担独立接诊。虚拟教学医院由此成为临床部署前的一层可重复验证环境。
