别盯着那90%的准确率看了，医学NLP的坑比你想得深

单纯拿PubMed数据喂分类器，最后搞出个只会复读“胸痛等于心梗”的复读机，这在生产环境里就是灾难。有个学生项目最初也想走这套路，结果模型准确率高得离谱，但他冷静下来发现这本质是在“作弊”——模型只是在匹配论文里的既定模式，根本没理解逻辑。

要是想做真能给医生提异议的工具，核心不在于预测诊断，而在于“评估一致性”。这哥们儿后来把思路转到了“硬负样本”（Hard Negatives）上，专门拿肺炎和心衰这种容易混淆的病例去磨模型，而不是喂那些一眼假的错误数据。

考虑到学生党根本玩不起从头训练医疗大模型的算力，他最后选的路子也算务实：直接用微软的PubMedBERT提取语义嵌入，然后针对逻辑一致性做微调。这种把目标从刷Accuracy转到关注AUC和打分制的做法，比单纯堆参数要靠谱得多。

核心参考逻辑在于如何处理这类医学语义对齐：
https://github.com/microsoft/BiomedNLP-PubMedBERT