MedGame：把病历变成互动剧情游戏，LLM 当导演

一个医学生的困境

想象你是医学生，正在准备临床轮转考试。你拿到一份病历：

55岁男性，胸痛3小时，放射至左臂，伴出汗。既往高血压病史。心电图示ST段抬高……

传统学法是读完、背住、答题。但真实临床推理不是这样运作的。医生面对的是逐步展开的信息：先问什么、再查什么、何时下检查、何时调方案——每一步都影响下一步走向。病历是静态的，推理是动态的。这个错配，就是 MedGame 要解决的。

核心思路：双引擎架构

MedGame 的设计哲学是分离关注点：一个引擎负责把病历改造成有分支的剧情，另一个引擎负责把剧情变成可执行的多模态游戏。

引擎一：Medical Narrative Designer（医学叙事设计师）

输入是一份静态病历摘要，输出是一个带状态节点和决策点的结构化剧情图。每个节点是一个临床场景（"急诊室初诊"、"实验室结果回报"、"病情突然恶化"），每个决策点有多个分支（"立即溶栓"、"先做冠脉造影"、"保守治疗"）。模型不生成具体画面，只生成功能性描述——"诊室"、"抢救室"、"家属谈话间"。

引擎二：Story Director（故事导演）

拿到剧情图后，把每个节点展开成具体的多模态生成任务：场景图、人物图、对话、生命体征面板。关键设计是把这些任务组织成有向无环图（DAG）——有些任务必须等前置完成（比如"抢救室场景"依赖"患者恶化"节点），有些可以并行。这让多模态生成不再是线性流水线，而是依赖感知的调度问题。

两个引擎的分离有工程意义：叙事设计需要医学知识，故事导演需要视觉编排能力，用不同模型或不同微调数据各自优化，比一个巨型模型全干更高效。

数据与规模

研究团队构建了 5000 个临床病例，覆盖八个专科：心血管、内分泌、消化、血液/肿瘤、肾脏、神经、呼吸与危重症、风湿。4000 条训练集、1000 条测试集。每个病例都被改造成带分支的剧情游戏，玩家（医学生）在每个决策点做出选择，剧情相应推进。

实验结果：商业模型碾压开源

评估分两层：自动结构验证（JSON 格式是否合规、业务逻辑是否自洽）和 GPT-5.2 当裁判的内容质量评分。

结构验证（Strict Validation）：

• Claude-Sonnet-4.5：99.5%
• Gemini-3-Pro：100.0%
• Qwen3-32B：79.4%
• Gemma-3-27B / MedGemma-27B：低于 60%

故事导演任务（Sample-wise Validation）：

• Claude-Sonnet-4.5 / Gemini-3-Pro：超过 99%
• 开源模型：56.50%–80.30%

差距很明确：商业前沿模型能可靠地把病历变成可执行游戏，开源模型在结构合规性上就掉队了，医学准确性差距更大。微调能缩小差距——Qwen3.5-27B 微调后 Strict Validation 从 79.4% 升到 99.1%——但需要专门的叙事数据和导演数据分别微调。

诚实的评价

亮点：

• 双引擎解耦是工程上合理的决策，让医学推理和视觉编排各自优化
• DAG 调度让多模态生成从线性流水线变成依赖图，效率提升明显
• 5000 个病例覆盖八个专科，数据规模够实

局限：

• 评估主要靠 GPT-5.2 当裁判，虽然有人类专家校准，但 LLM-as-Judge 的偏差仍是开放问题
• 病例来源偏宗教文本（DONDO 式的广覆盖策略在医学数据上不适用），代表性有限
• 没有报告医学生实际使用后的学习效果——游戏造出来了，但"玩游戏是否比读病历更能提升临床推理能力"这个核心问题没有回答
• 开源模型差距大，意味着这个系统目前只有商业大模型用户能用得起

一个值得关注的细节：Story Director 的多模态渲染"增加了超越纯文本交互的感知价值"——但论文没有量化这个增值。游戏化学习是否真的比文本交互更有效，还是只是更花哨？这是后续工作必须回答的。

概念提炼

MedGame 的本质是把静态知识载体转成动态决策轨迹。这个思路不限于医学：法律案例、历史事件、工程故障排查——任何"结论已知但推理过程重要"的场景都适用。双引擎架构（一个管叙事结构，一个管多模态编排）是一个可迁移的模板。

相关链接

• 论文：https://arxiv.org/abs/2607.21570
• 代码：https://github.com/med-air/MedGame