Note2Chat：利用医疗笔记提升大语言模型的多轮临床问诊能力

有效的临床问诊是临床推理的基础却常被忽视。尽管大语言模型在静态基准上表现良好，但在需要迭代提问和假设修正的动态多轮诊断场景中往往不足。为此，我们提出 Note2Chat，一种由笔记驱动的框架，通过学习广泛的医疗笔记来训练 LLM 进行结构化问诊和诊断。该方法将真实医疗笔记转化为高质量医患对话，并提出结合监督学习、模拟数据增强和偏好学习的三阶段微调策略。此外，我们提出一种新颖的单步推理范式，将问诊重构为序列化的单步推理问题，显著提升了临床推理性能。