ClinLens：面向纵向多模态临床数据科学的长时程编码智能体

研究者提出临床数据科学智能体基准CLINLENS，包含200个可执行任务，覆盖MIMIC的电子健康记录、笔记、心电图、胸片和超声心动图五种资源。在126个任务的固定套件中，最强配置达到56.3%的STRICTPASS，但全部实现了代码执行成功。相比之下，五个适配的生物医学系统最高仅为2.9%，显示出可运行与正确分析之间的差距。

此前基准多孤立评测医学问答或表格推理，CLINLENS将多模态纵向临床数据与可执行分析任务结合，并引入程序优先的反向合成方法。结果揭示当前智能体在代码可运行但分析不正确的问题，为临床数据科学智能体的评测设立了更严格标准。

CLINLENS通过4x5分类法，结合患者时间跨度和分析能力，生成200个任务。程序优先反向合成将每个半原始数据包与评测者私有的参考工作流配对，检查工件、队列和时间语义及最终答案。STRICTPASS要求全部正确，而EXECSUCCESS仅需代码运行成功，从而暴露实现与语义之间的鸿沟。

对开发临床数据分析智能体的团队，此类基准可用于测试模型在复杂临床任务中的实际表现，避免仅注重代码可运行性。产品需优化对时间语义、队列定义等临床逻辑的理解，否则即使代码执行成功也无法达到临床可用标准。

• 开发基于CLINLENS的自动化评测工具，嵌入临床数据分析产品的CI/CD流程，确保模型在纵向多模态数据上的表现可量化。
• 针对STRICTPASS低下的问题，研发专门的临床语义推理模块，如时间对齐和队列校验，提升分析准确性。
• 利用CLINLENS基准对现有模型进行微调，聚焦于多模态数据整合和长时程任务，提升产品竞争力。
• 构建可视化诊断界面，标注分析任务中时间语义和队列错误，帮助开发者快速定位失败原因。

• CLINLENS基准是否覆盖了足够多样的临床场景，以代表真实临床数据科学任务？
• 最强的56.3% STRICTPASS实现的配置细节是什么，是否可复现？
• 这些结果对临床工作流中的实际部署有何启示，是否需要进一步的人机协作验证？