云知声提出GuideTree指南驱动审核框架，长病历审阅时延降低约83%

云知声团队提出GuideTree（Guideline-Induced Review Trees）指南驱动审核框架，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顶级会议ACL 2026工业赛道，并收录于会议论文集。

面向长病历的结构化审核方法

在医疗与保险审核业务中，一份完整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。现有方法面临处理开销与时延较高、检索遗漏关键证据、智能体流程执行路径变化影响稳定性等问题，而专家手工构建审核流程在业务扩展和规则更新时建设与维护成本较高。

GuideTree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。

四类工业场景下的实验评估

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1000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最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。

从模型能力到业务价值的持续探索

医疗是云知声长期深耕的核心赛道，围绕医疗行业专业性强、业务流程复杂、数据形态多样等特点，云知声持续推进人工智能技术与医疗业务深度融合，并逐步形成覆盖医疗文档解析、医学影像理解等方向的技术能力。随着大模型进一步进入医疗业务流程，其价值不再只取决于模型是否理解医疗知识，更在于能否执行复杂业务规则、追溯判断依据，并在实际系统中兼顾效率、稳定性与持续维护。

GuideTree正是云知声推动大模型深入医疗业务流程的一次实践，进一步延伸了从模型能力建设到专业场景应用、再到具体业务流程的技术探索。未来，云知声将继续围绕医疗行业真实需求，深化模型能力与专业场景的融合，推动人工智能从理解医疗进一步走向服务医疗。