上海临床研究中心聚焦临床医学与人工智能的深度融合，致力于推动AI技术在真实医疗场景中的可信应用与转化落地。近期，中心姜畅医师与上海科技大学信息科学与技术学院李权课题组（交互智能与可视分析实验室ViSeer LAB）紧密合作，围绕医生对AI辅助诊断的信任评估开展研究，相关成果被人机交互领域最具影响力的国际会议ACM CHI 2026录用。

图1. 口头病例汇报示例。左侧为临床环境中的病例汇报场景，右侧为口头病例汇报的结构化框架（SOAP）。

清晰、准确的口头病例汇报是医学生与临床医师必须掌握的核心技能。然而，传统训练模式常面临学生参与不均、教师反馈不足与资源有限等挑战。针对这一问题，上海临床研究中心姜畅医师与李权课题组联合开发了智能训练系统CaseMaster，通过深度融合大语言模型技术，为口头病例汇报场景提供了完整的闭环培训模式参考。

CaseMaster并非简单的对话工具或语音评测软件，而是构建了一套覆盖“准备—练习—反思”全流程的结构化训练体系。其核心创新体现在三个方面：首先，采用双阶段训练架构，在准备阶段引导学生按SOAP（主观、客观、评估、计划）结构逐步构建汇报内容，系统提供知识点检索、逻辑性自查等辅助功能，帮助学生系统化整理思路；在反思阶段，系统则自动比对参考答案，自动标注答案差异并按评分标准逐项打分，提供即时、精准的反馈。其次，将大语言模型深度嵌入教学环节，通过精心设计的提示模板，将模型输出严格约束于教学框架内：在准备阶段扮演“智能导师”，在反思阶段则作为“自动评分员”，其评分与专家评分具有高度一致性（ICC = 0.88）。第三，注重内容质量与教学适配，系统内置经医学专家审核的30个真实临床病例，并通过调控模型生成策略，确保生成内容既具启发性又符合医学规范。

图2. CaseMaster支持的口头病例汇报训练流程，分为准备阶段与反思阶段。

研究团队通过两项实验验证了系统效能。在针对医学生的实验中，使用CaseMaster的学生在鉴别诊断的条理性上显著优于使用传统工具（如ChatGPT）的对照组，并在内容组织和逻辑表达上也有明显改善。学生普遍反馈称该系统“让准备过程更有条理，思维负担明显减轻”。在医学教师的评估中，专家认可系统在提供即时反馈、减轻教学负担方面的价值，认为其可作为传统教学的有效补充，尤其适合大规模培训和学生自主练习场景。

该研究以“CaseMaster: Designing and Evaluating a Probe for Oral Case Presentation Training with LLM Assistance”为题被ACM CHI 2026接收。ACM CHI 2026于2026年4月13日至17日在西班牙巴塞罗那召开。

文章链接：

https://dl.acm.org/doi/10.1145/3772318.3790304