OpenTumorBoard：多学科肿瘤会诊讨论轨迹的真实世界基准

研究团队发布 OpenTumorBoard 基准，含 611 个患者病例、19157 个讨论轮次、10 种专科角色，来源为 YouTube 上 12534 分钟公开肿瘤会诊录播。基准设两项任务：SPECIALIST TURN 要求模型回答真实讨论中的关键临床问题，BOARD SIMULATION 要求模型生成整段讨论并就治疗建议、手术方案、后续行动和临床试验匹配达成共识。14 个通用前沿及医学 LLM 表现有限，最佳模型在临床等效性上得 3.43/5，与录播会诊结论一致性得 2.78/5。监督微调与强化学习在留出测试集上提升表现。三名医学博士专家审阅部分基准，认为病例信息覆盖度、事实性与共识结论抽取保真度较高。团队将公开基准及自动化策展流程。

此前肿瘤会诊类评测多基于静态问答或单一科室数据，难以覆盖多学科、纵向病史与真实讨论轨迹。该基准把评估从单轮回答推进到整段会诊共识生成，且给出前沿模型在真实临床等效性和结论一致性上的量化差距，为后续模型适配提供了可复现的评测与训练素材。

机制上，基准把公开会诊录播转写为带专科角色和轮次结构的讨论轨迹，从而可分别测量模型在单轮专业回应和全局共识收敛上的能力。监督微调与强化学习能提升留出集表现，说明真实讨论轨迹本身包含可迁移的决策信号，可作为模型适配的数据来源。

对医疗 AI 产品而言，该基准提供了可量化的评测口径，可用于判断模型在肿瘤多学科会诊场景的可用性，并指导微调和强化学习的数据采购与标注投入。研发上需要支持多角色、多轮讨论的评估管线，产品侧则需明确模型输出定位为辅助讨论而非替代会诊。

• 基于 OpenTumorBoard 任务设计肿瘤会诊辅助产品的离线评测集，覆盖单轮回答与整段共识两类场景。
• 围绕专科角色与讨论轮次结构，开发多轮讨论模拟或会诊记录摘要功能，并以临床等效性指标验收。
• 用公开的自动化策展流程搭建自有会诊录播转写与脱敏管线，降低领域数据准备成本。

• OpenTumorBoard 与自动化策展流程的具体发布时间和许可条款尚未明确。
• 基准结论是否可外推到非公开、非 YouTube 来源的会诊场景尚待验证。
• 监督微调与强化学习提升幅度、所需数据规模和算力成本未在证据中给出。
• 14 个被评估模型的名单及各自细分得分未在证据中列出。