当前的医学基准大多把临床能力拆解为单一事实问答、单图任务或静态病例描述，只能给出每道题的得分，却难以评估模型是否能够在多模态证据下整合亚专科知识并随访患者的整个治疗过程。为弥补这一不足，我们推出了 NPCBench——针对鼻咽癌的临床学徒基准。该基准模拟专科培训的全流程，包括指南与基础知识学习、病例规划、纵向复盘、CarePath 整合以及开放式会诊。整体包含 4,777 条组件与会诊题目，并提供 100 例患者的 CarePath 队列，累计 417 项诊断与护理任务可供评分。评估采用情节层面的联合判定，要求模型在同一患者的护理路径上同时给出正确的诊断和护理答案，从而检验其是否基于视觉证据、解读患者状态变化并满足临床会诊需求。实验覆盖 30 种模型，发现存在显著的组合缺口：在单项任务上表现优异的模型并不一定能在同一患者上实现诊疗答案的联合正确。21 种多模态模型中，严格的 CarePath 成功率最高仅为 23%。通过配对对照和医生标定实验，进一步考察了证据定位、纵向修订以及会诊判断的能力。总体而言，NPCBench 将医学人工智能的评估从静态问答拓展到面向学徒式临床工作流的考核，为肿瘤护理中的证据驱动和时间连贯推理提供了新测试平台。
点评：NPCBench 为 AI 在真实临床路径中的应用设定了更高的标准，强调了多模态证据融合和患者全程追踪的重要性。