From Given to Gathered Evidence: Agentic Learning for Longitudinal Medical Reasoning

📄 arXiv: 2609.39566v1 📥 PDF

作者: Minye Shao, Chaohui Yu, Yixuan Wu, Fan Wang, Ling Shao, Yang Long

分类: cs.CV

发布日期: 2026-09-30

🔗 代码/项目: GITHUB

💡 一句话要点

提出CASE框架以提升医学推理中的证据获取能力

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 医学推理 证据获取 多模态学习 强化学习 临床代理 工具使用 纵向研究

📋 核心要点

  1. 现有医学基准主要评估预选证据上的推理能力，缺乏主动寻找证据的能力评估。
  2. 提出CASE框架，通过角色特定的临床代理和工具使用框架，增强证据获取和推理能力。
  3. 实验结果显示，基于Qwen3-VL-8B的代理在回答准确性上相较于GPT-5.4和Claude Opus 4.8分别提升了16%和10%。

📝 摘要（中文）

基础模型可以通过工具使用框架作为临床代理。然而，传统医学基准评估的是在预选证据上的推理能力，而非在临床记录和纵向影像中主动寻找证据的能力。为此，我们提出了CASE：一系列角色特定的临床代理，用于寻找证据，结合工具使用框架和紧凑的视觉-语言策略模型的代理后训练框架。我们还基于UK Biobank构建了一个纵向多模态基准，包含50,401个临床问题，涉及4,739名参与者的真实世界ICD-10编码诊断。每个问题都链接到特定患者的环境，包含临床背景和多序列MRI，代理可以自主选择检查和比较的访问、器官、模态、切片和专业工具。实验表明，CASE在证据基础的纵向推理上取得了显著进展。

🔬 方法详解

问题定义：论文旨在解决传统医学基准无法评估模型在临床记录和影像中主动寻找证据的能力这一问题。现有方法往往依赖于预选证据，限制了模型的应用场景和灵活性。

核心思路：提出CASE框架，结合角色特定的临床代理和工具使用框架，允许模型在真实的临床环境中自主选择和比较证据，从而提升推理能力。

技术框架：整体架构包括角色特定的临床代理、工具使用框架和后训练的强化学习模块。代理通过监督微调和自我蒸馏等技术，优化证据获取和推理过程。

关键创新：最重要的创新在于引入了角色特定的代理和自主选择证据的能力，突破了传统方法的局限，使得模型能够在复杂的临床环境中进行有效推理。

关键设计：采用了基于任务的自我蒸馏和基于评分的LLM反馈机制，优化了证据到结论的推理过程，且不限制工具序列的选择，增强了模型的灵活性和适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于Qwen3-VL-8B的代理在匹配评估条件下，相较于GPT-5.4和Claude Opus 4.8，回答准确性分别提升了16%和10%。这一结果显示了CASE框架在证据基础推理中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括智能医疗助手、临床决策支持系统以及医学影像分析等。通过提升模型在复杂临床环境中的推理能力，能够为医生提供更为精准的辅助决策，进而改善患者的诊疗效果。未来，该框架有望在医学研究和临床实践中发挥重要作用。

📄 摘要（原文）

Foundation models can serve as clinical agents through tool-use harnesses. However, conventional medical benchmarks assess reasoning over preselected evidence rather than the ability to seek it across clinical records and longitudinal imaging. We propose CASE: a series of role-specific Clinical Agents for Seeking Evidence, together with a tool-use harness and an agentic post-training framework for compact vision-language policy models. We further introduce a longitudinal multimodal benchmark built on UK Biobank, comprising 50,401 clinical questions derived from real-world ICD-10-coded diagnoses of 4,739 participants. Each question links to a patient-specific environment containing clinical context and multi-sequence MRI from baseline and follow-up visits, where agents autonomously select which visits, organs, modalities, slices, and specialist tools to inspect and compare. Supervised fine-tuning transfers evidence-seeking workflows from 14,734 frontier-model interaction trajectories, followed by agentic reinforcement learning on the learner's own environment interactions. Privileged on-policy self-distillation and rubric-based LLM feedback refine evidence-to-conclusion reasoning without prescribing tool sequences. Experiments show that CASE moves beyond question-answer imitation toward transferable investigation policies, strengthening evidence-grounded longitudinal reasoning. Under matched evaluation conditions, our Qwen3-VL-8B based agent achieves over 16% and 10% relative improvements in answer accuracy over GPT-5.4 and Claude Opus 4.8. Code will be available at https://github.com/VinyehShaw/CASE.