MEDICAL DATA RESEARCH
医学问答与百科语料建设:从“一问一答”到可追溯知识单元
面向医疗AI研发与数据采购团队,拆解单轮医学问答和百科知识单元的字段、授权脱敏、专家复核、去重防泄漏与独立验证,说明如何把可追溯交付与风险边界写进项目规格。
一个医学模型能把“这个症状可能意味着什么”回答得很流畅,并不等于它掌握了可复核的医学知识。真正需要先解决的问题是:问题来自什么场景,回答依据哪一版内容,医学术语是否被正确归一,否定词和剂量是否完整,风险较高的表述是否经过专业复核,以及同一知识的改写是否不慎同时进入训练集和测试集。若这些问题没有在数据层回答,后续的模型分数就很难解释,更不能直接推导出临床可用性。
面向医学知识底座的语料建设,通常同时包含两种不同对象:一类是围绕健康问题形成的单轮问答,另一类是按词条组织的百科知识。两者都属于医学文本,却对应不同的临床任务、不同的颗粒度和不同的验收方法。前者要保持“问题—回答”的意图与安全边界,后者要保持知识单元、来源版本和概念关系。把两者简单拼成一张文本表,容易造成训练信号混乱,也会让采购方无法判断一条记录究竟适合检索、指令微调,还是只适合作为知识库原文。
先把需求翻译成两个数据对象
源需求的核心不是某个固定数量,而是一个面向医学知识底座的双轨数据工程。问答轨的输入是经授权或合规构建的医学问题及其回答,输出是一条可独立使用的单轮问答单元;百科轨的输入是权威医学知识的词条或段落,输出是带有来源、主题和版本元数据的结构化知识单元。两条轨道都应记录主题分类、来源类型、处理版本和审核状态,但不能因此认为它们的语义单位相同。
单轮问答的最小字段至少包括问题、回答、主题、来源类别、来源定位和安全审核状态。若问题涉及症状、慢性病管理、药物、检查解读、特殊人群或急症识别,还应增加风险级别、适用人群、是否需要就医提示和是否存在条件限制等字段。这里的风险级别不是给患者下诊断,而是帮助数据生产团队决定复核深度和模型输出边界。例如,“一般健康教育”与“可能需要紧急就医”的回答,不能采用同一套宽松的文本验收尺度。
百科单元则需要词条名称、正文、主题类型、来源版本、章节或页码锚点、发布日期或更新时间、授权状态和审核状态。正文可进一步拆成定义、病因或机制、常见表现、检查、治疗原则、药物信息、预防和特殊人群等字段,但拆分不能改变原意,也不宜为了追求字段齐全而把不同章节拼成一段新的“医学结论”。同一词条在不同版本中发生变化时,应保留旧版本与新版本的对应关系,而不是覆盖后只留下最新文本。
图1|技术示意,不含个人样本或真实业务数据;箭头表示生产与核验顺序,不表示模型已经训练完成或产生临床结论。
这类拆分也决定了数据颗粒度。问答的基本单位是一次独立意图及其回答,不能把多个追问隐藏在一条记录里;百科的基本单位可以是词条、章节、段落或知识关系,但必须保留它在原始材料中的位置。若一个问答回答引用了百科知识,应通过来源ID和锚点建立关联,而不是把百科全文复制到回答字段中。这样,模型可以学习回答结构,检索系统也可以在需要时返回证据位置。
医学问答基准的研究已经说明,考试选择题、研究问题和面向公众的长答案探查的是不同能力,不能用同一个准确率概括全部表现。1 因此,问答数据的主题标签还不够,至少要记录问题意图、答案形态和风险水平。答案形态可以区分事实型、列表型、解释型、步骤型和需要谨慎转介型;问题意图可以区分知识查询、检查结果解释、用药常识、预防保健、症状分流和风险沟通。分类不宜为了统计好看而过度细化,关键是每个标签都能指导标注、采样或验收。
来源治理先于内容扩量
医患问答类文本即使没有姓名,也可能含有时间、地点、罕见病史、家庭关系和独特事件组合。对自由文本的去标识研究表明,规则、机器学习和混合方法各有优劣,自动处理仍可能留下残余识别信息;隐私保护还要兼顾文本正确性与可用性。7 因而“已脱敏”不应只是一个勾选框,而应成为可审计的处理阶段。入库时应先隔离原始内容,再进行直接标识符清除、准标识符组合审查、特殊事件泛化和人工抽检,最后将脱敏规则版本与复核结果写入元数据。
脱敏也不能把医学意义一并抹掉。例如,年龄段、妊娠状态、儿童或老年身份可能影响回答适用性;药物剂量、时间窗口和症状先后关系可能影响风险判断。比较稳妥的做法是把“必须保留的临床语义”和“必须移除的身份线索”分开定义。无法在不暴露个体的情况下保留某个罕见组合时,应删除该样本或将其降级为不进入公开训练集的内部质检样本,不能为了凑数量强行泛化。
百科内容虽然通常不含患者信息,却有版权、版本和知识时效问题。来源登记应区分公有领域、明确授权、可研究使用但限制再分发等状态,并记录允许的用途、有效期和转授权范围。对指南、药品、剂量和禁忌相关内容,版本日期与原文锚点尤其重要;一条脱离版本的“治疗建议”可能把历史表述误当成当前共识。数据工程团队负责结构化和质量记录,不应把“能够处理文本”写成“拥有内容版权”,也不应把知识整理写成医疗诊断或治疗承诺。
WHO关于健康人工智能的治理指导强调,人工智能的设计、部署和使用应把伦理与人权放在中心,并要求利益相关者对受影响的人和依赖系统的医务人员保持负责和可回应。5 对语料项目而言,这意味着授权、隐私、人工复核、用途限定和问题回修不是上线后的附加项,而应在样例评估前进入项目边界。公司或供应商的处理能力,不能替代内容持有方的授权责任,也不能替代最终使用方对适用范围的判断。
让问答和百科服务不同的算法路线
问答数据适合围绕“意图—回答—风险”建立监督信号。基础处理包括文本规范化、术语映射、单位统一、否定识别和近重复检测;在此之上,可以按任务需要进行指令微调、偏好比较、拒答边界训练或答案安全分类。算法路线不应先选模型再倒推数据,而应先回答模型究竟要完成什么:直接生成通用健康解释,还是从版本化知识库中检索证据后生成带出处的回答。两者的输入输出和验收都不同。
百科数据更适合作为可检索、可引用、可更新的知识底座。工程上可将词条拆成可独立定位的知识块,为术语、同义词、上下位关系和适用人群建立结构化索引,同时保留原文版本与锚点。检索结果应携带来源和时间信息,生成模块只能在允许的证据范围内组织语言。相似度高不代表医学事实正确,向量索引也不能替代对否定词、数值、单位和时间条件的核验。
问答与百科可以通过来源ID关联,但不应在预处理阶段把百科知识改写成大量看似自然的问答后再宣称它们是真实用户需求。改写数据应明确标记生成方式、改写者、依据版本和审核状态;真实问答、专家撰写、授权改写和机器生成应分层统计。否则,模型可能只学会某一种固定问句风格,或在评测时因为见过同一知识的模板化改写而得到虚高结果。
图2|技术示意,面向知识底座与问答模型研发;不代表真实模型性能、临床效果或监管结论。
研究证据支持对医学回答采用多维而非单一评分。MultiMedQA的设计在事实性、理解、推理、潜在危害和偏差等维度组织人工评价,结果也显示,即使模型在选择题上表现较好,开放式医学回答仍可能存在限制。1 一项长篇医学问答基准的预印本进一步把正确性、帮助性、危害性、推理、效率和偏差拆开,并在人工与模型评审之间检查顺序偏差;由于该研究是预印本,其结果应作为方法参考,而不是临床证据。3 相关同行评审研究也显示,不同评价维度的评审一致性并不自动相同,正式批次前应先用试标校准指南和培训。4 这类研究对数据建设的启发是:标注指南必须先定义“什么叫答对”,再讨论自动指标。
专家不是最后盖章,而是参与定义标签
医学审核者的第一项工作不是逐条改错别字,而是帮助定义哪些问题值得进入数据、哪些回答属于事实陈述、哪些内容必须附条件、哪些情形需要转介专业人员。对药物、检查、孕产、儿童和急症相关内容,应在标签字典中预先写明禁忌、缺失信息和不确定表达的处理方式。若审核者只被要求判断“像不像一篇医学文章”,不同人会把自己的临床习惯带入数据,最终产生难以解释的分歧。
可以采用“初审—复核—仲裁”的分层流程。初审者依据字段字典和证据锚点检查结构完整性;复核者不看初审结论或至少在关键样本上采用盲审,重点检查事实、否定、条件、数值、风险提示和来源匹配;对无法按规则解决的争议,由具有相应专业背景的仲裁者决定,并保存争议原因、引用依据和规范版本。分歧不应被静默覆盖,因为高分歧类别往往正是后续需要补充反例、扩大留出集或降低自动化程度的地方。
BioASQ的语料建设提供了一个可借鉴的专家闭环:专家提出独立问题,补充相关概念与检索材料,形成参考答案,随后在系统评测中继续审阅和完善数据。2 这说明专家角色可以贯穿需求定义、知识检索、答案构建和结果评价,而不只是对机器产物做末端签字。对面向公众的单轮问答,专家还应检查回答是否误导用户把一般信息当成个体诊断,是否省略了必要的就医边界。
为了让标注可扩展,项目应把专业判断转成可执行指南:字段定义、允许值、正反例、边界例、来源优先级、拒答条件和升级路径都要有版本号。培训样例不应计入正式交付量;规范发生变化时,应列出受影响的批次和是否需要回标,而不是只在聊天中通知一句“以后按新口径”。
质量不能只看字段完整率
字段完整率只能回答“有没有填”,不能回答“填得对不对”。医学文本验收至少要分成结构、内容、来源、隐私、重复和适用性六层。结构层检查编码、格式、字符、单位和关联ID;内容层检查医学事实、术语、否定、数值、条件与回答覆盖;来源层检查授权、版本、锚点和可回溯性;隐私层检查残留标识与罕见组合;重复层检查同源复制、近重复和公开测试集撞车;适用性层检查是否符合目标主题、问答形态和人群范围。
“医学准确性百分之百”一类表述不能代替可执行的抽检方案。实践中应把高风险字段设置为硬门槛,把一般表达问题与医学事实错误分开计数,并约定抽样单位、复判规则和无法判断的处理方式。医学事实严重错误、无法证明授权的文本、明显身份信息和训练测试泄漏可作为红线隔离项;剩余样本再按分层抽样结果判断是否通过。这样既能避免用平均分掩盖严重错误,也能让返工成本和放行理由可解释。
偏差检查要在数据切分前就开始。问答主题、年龄段、性别、孕产状态、语言风格、疾病严重程度和来源渠道都可能形成分布差异;百科内容还会受学科覆盖、版本新旧和术语体系影响。报告应展示各切片的数量、缺失、审核分歧和错误类型,而不是只给一个总体数。对稀有主题,宁可标记证据不足,也不要把少量样本的模型分数包装成稳定结论。
独立验证至少应包含三道门。第一道是来源和问题族隔离:同一条原文、同一词条段落的轻微改写不能分到不同集合。第二道是时间或版本留出:用后续冻结内容检验模型是否只记住旧文本。第三道是外部来源验证:在授权允许的范围内使用未参与生产的来源,观察术语、表达和人群分布变化下的性能。NIST AI RMF把可信性纳入人工智能全生命周期,并将设计、开发、使用和评价视为需要持续管理的过程。6 对本项目而言,版本记录和独立评测应与数据交付同时保存,而不是等模型训练后才补写。
从“交付多少”改成“交付什么能力”
面向研发团队的交付物不应只有一个压缩包。最小可复核交付包括数据文件、字段字典、来源与授权清单、处理和脱敏说明、规范版本、审核状态、争议记录、重复检查报告、切分清单和一份能被下游程序读取的样例。问答和百科应分别给出统计,改写和机器生成记录不得与原生内容混在同一计数里。若存在未解决的授权、医学争议或脱敏风险,应进入隔离清单而不是用“待补”字样含糊带过。
样例评估可以围绕四个问题开展:输入对象是否符合需求,字段与来源能否追溯,医学内容是否经过适当层级审核,交付是否能在目标训练或检索流程中被读取。样例通过并不自动证明量产数据稳定,更不能证明模型在真实临床场景中安全。扩量前应冻结标签、版本和验收口径;扩量过程中按批次复核;规则改变时回溯受影响记录。验收报告宜同时给出通过、退回、隔离和待补齐四类状态,并写出可被另一位审核者复述的理由。
项目商务逻辑也应服从技术对象。问答条目适合按合格单元和风险层级统计,百科内容适合按词条、知识块和版本完整性统计;两者不能只按字符数或记录数结算。授权链、可解析性、字段完整、医学审核、重复和下游可读性都应在正式放量前用样例验证。若某批次存在红线问题,不能用同批次其他普通记录的高通过率抵消;若只是格式或非关键字段问题,也应明确返工范围和再次验收方式。
在已核验的能力边界内,朗慧的定位是AI数据基础设施和流程服务商,LangData覆盖采集、处理、标注、质检与数据交付;医疗栏目提供按任务组织的项目化评估入口。这样的定位可以支持把双轨需求拆成规范、样例、审核和交付流程,但不等于已有某个特定医学语料现货、拥有第三方内容授权,或已经完成某项临床验证。实际人员配置、数据范围、周期和交付状态仍应以书面项目规格、授权条件和质量记录为准。
结语:知识底座的价值在于可解释地更新
医学问答与百科语料的难点,不在于把更多文本放进文件,而在于让每条文本都能回答五个问题:它服务什么任务,依据什么来源,经过谁的什么审核,可能在哪些人群或版本上失效,出现问题后能否定位和回修。单轮问答需要保住意图、回答和安全边界;百科条目需要保住概念、证据和版本锚点;两者在模型侧可以协同,但在标注、去重和验收侧必须分开。
研究中的基准分、自动评分或模型生成质量,可以帮助比较方法,却不能替代授权审查、专家判断、独立验证和真实使用场景的风险评估。MedThink-Bench等工作显示,专家撰写的理由和细粒度评价有助于观察医学推理质量,但研究结果仍受题目来源、专家组成、模型版本和评测设计限制。4 只有把这些限制连同数据卡、版本差分和外部验证一起交付,医学知识底座才真正具备可维护、可复盘和可持续更新的研发价值。本文讨论的是医学AI数据工程与质量治理方法,不构成医疗诊断、治疗建议或监管结论。
参考来源
- Large language models encode clinical knowledge
- BioASQ-QA: A manually curated corpus for Biomedical Question Answering
- A Benchmark for Long-Form Medical Question Answering(预印本)
- Automating expert-level medical reasoning evaluation of large language models
- Ethics and governance of artificial intelligence for health
- Artificial Intelligence Risk Management Framework
- De-identification of free text data containing personal health information: a scoping review

