GuideTree将临床指南结构化，长病历审阅提速83%，交互Token消耗降低82%

【天极网IT新闻频道】在医疗审核中，如何让大模型面对复杂、冗长的病例材料，不再依赖“通读全文”，而是按照专业指南有序完成证据核验与判断？

围绕这一问题，云知声团队提出 GuideTree(Guideline-Induced Review Trees)指南驱动审核框架，尝试将医疗审核从大模型自由处理长文本，转向由专业指南驱动的结构化执行。

相关研究成果《GuideTree: Guideline-Induced Review Trees for Long Medical Records》已入选自然语言处理领域国际*会议 ACL 2026 工业赛道(Industry Track)，并收录于会议论文集。

ACL(国际计算语言学协会年会)是自然语言处理与计算语言学领域*具影响力的国际学术会议之一。其工业赛道尤其关注技术在真实业务环境中的应用与落地，重视系统在效率、可靠性、可扩展性及持续维护等方面的实践创新，为连接前沿研究与产业需求提供重要交流平台。此次成果入选，充分体现了云知声围绕真实业务问题开展技术创新、推动大模型工程化应用的持续探索。

入选论文核心信息

英文题目：GuideTree: Guideline-Induced Review Trees for Long Medical Records

中文题目：GuideTree：面向长篇医疗记录的指南驱动审核树

作者团队：Chengze Ge, Ruiqing Zhang, Yining Wang, Shengping Liu, Jiaen Liang, Wei Huang, Weihua Chen

研究方向：医疗大语言模型、长病历理解、指南驱动审核、可追溯推理、大模型高效推理与工业部署

论文简介：

在医疗与保险审核业务中，一份完整的病例材料往往包含病程记录、检验检查报告、处方、手术记录等多类文档。关键证据分散在不同材料中，审核人员需要依据专业指南逐项核验，并给出依据充分、结果一致的判断。这对大模型的长文本理解、跨文档证据整合和业务规则执行能力提出了较高要求。

现有方法仍面临多方面挑战：直接将完整病历输入大模型，处理开销与时延较高;基于检索的方法可能遗漏分散的关键证据;依赖多轮规划与探索的智能体流程，则容易出现执行路径变化，影响审核结果的稳定性与可复核性。由专家手工构建审核流程虽然能够提升可靠性，但在业务场景扩展和规则更新时，也面临较高的建设与维护成本。

针对上述问题，本文提出 GuideTree 指南驱动审核框架，将自然语言形式的审核指南拆解为明确的核验条件，并组织成可执行的审核树。系统通过轻量级文档摘要定位相关材料，再读取所选文档的完整文本进行核验，返回包含文档来源、证据片段及判断理由的结构化结果，使审核结论具有清晰的证据支撑。

面向实际部署中的效率要求，GuideTree 进一步设计了兼顾审核质量、执行成本与结构复杂度的离线拆分与剪枝机制，通过固定执行顺序、并行核验和提前终止，减少不必要的材料读取与模型调用。同时，系统支持基于错误定位、回归测试和版本管理的持续更新，为业务规则变化和上线后的长期维护提供支持。

GuideTree 整体流程

研究围绕重大疾病、慢性病、既往症及诊断审核四类工业场景，基于共 1,000 例病例材料，在四种大模型底座上开展评估。实验结果表明，GuideTree 的宏平均 F1 达到 84.5%—92.8%，相比各实验设置下表现*强的非专家构建基线提升 3.3—7.6 个百分点，与专家手工构建的审核树平均仅相差 0.38 个百分点。

在采用 Qwen3-235B-A22B-Instruct 的慢性病审核实验中，相比直接输入长上下文的方法，GuideTree 将平均输入输出字符量降低约 82%，平均处理时延由 128 秒缩短至 22 秒，降低约 83%;在五次重复运行评估中，判定一致性达到 99%。这些结果验证了该框架在审核质量、处理效率与运行稳定性之间取得平衡的能力，为医疗与保险审核场景中的大模型应用提供了实践参考。