當 AI 醫(yī)療從「能查」走向「可信」，變革才算真正開始。

在循證醫(yī)學(xué)領(lǐng)域，一個根本性的矛盾正愈演愈烈。

醫(yī)學(xué)知識在以每年超百萬篇醫(yī)學(xué)論文發(fā)表的速度爆炸式增長，臨床指南更新周期從數(shù)年壓縮到數(shù)月。但醫(yī)生的認知帶寬卻是有限的——沒有人能記住所有指南，更不用說追蹤最新研究。

這個矛盾催生了巨大的市場需求。在美國，OpenEvidence 的月度醫(yī)生咨詢量從 2024 年的 36 萬次飆升至 2025 年的 850 萬次，增長超過 20 倍。超過 45% 的美國醫(yī)生已經(jīng)高頻使用 AI 輔助決策。

在中國，已有超過 1000 家醫(yī)院部署 AI 系統(tǒng)，但始終缺乏一個真正成熟、嚴謹且可托付的循證產(chǎn)品，讓醫(yī)生面對復(fù)雜臨床決策時能夠放心交付。這一困境，正被一家深耕醫(yī)療 AI 與大數(shù)據(jù)技術(shù)十余年的公司解開。

近期，中關(guān)村論壇年會上，醫(yī)渡科技與清華長庚醫(yī)院等頭部醫(yī)院共同啟動了「中國臨床循證智能能力建設(shè)計劃」，與此同時，作為計劃核心技術(shù)載體與落地產(chǎn)品的「醫(yī)渡智循」發(fā)布了 APP 版本——一款定位為醫(yī)生「超級助手、第二大腦、多學(xué)科智能體專家顧問團」的臨床循證決策系統(tǒng)。與市面上多數(shù)從公開文獻或 C 端切入的醫(yī)療 AI 不同，醫(yī)渡智循的基因根植于醫(yī)院。歷經(jīng)真實診療全流程打磨，并依托與頂級醫(yī)院共建的 200 余個專科智能體，最終實現(xiàn)從院內(nèi)到院外的成熟遷移。

它究竟如何破解醫(yī)療 AI 的「信任」難題？我們一起來拆解。

01

從「能查」到「可信」，

醫(yī)療 AI 的最后一公里

醫(yī)療 AI 已成為全球人工智能賽道中增長最快、資本最集中的領(lǐng)域之一。據(jù)知名行研機構(gòu) FortuneBusinessInsights 報告，2025 年全球醫(yī)療 AI 市場規(guī)模達 393.4 億美元，2026 年將飆升至 560.1 億美元，2026-2034 年復(fù)合年增長率（CAGR）高達 43.96%，遠超 AI 整體行業(yè)平均增速。

然而，國內(nèi)醫(yī)療 AI 的落地卻面臨一個現(xiàn)實挑戰(zhàn)：大部分醫(yī)生并不知道如何信任 AI。

北京某三甲醫(yī)院眼科王醫(yī)生坦言：「指南更新快、門診量大、診療時間短，醫(yī)生很難實時查閱最新文獻，循證要求難以完全落到實處。而且證據(jù)零散、缺乏分級與溯源工具，醫(yī)生往往只能依賴傳統(tǒng)經(jīng)驗主義。」

廣州某三甲醫(yī)院心臟中心李醫(yī)生也表達了類似的困擾：「醫(yī)生的經(jīng)驗有限，面對少見病例時，往往需要文獻支撐。但不同國家、不同時期的指南和共識可能不一致，你不知道哪個更可信。」

更令人擔憂的是，即便使用現(xiàn)有 AI 工具，也常常遭遇「信任危機」。王醫(yī)生直言：「無論是 DeepSeek 還是 ChatGPT，都存在『編文獻』的問題。它看似給你一個完美的答案，但當你去尋找原始文獻時，發(fā)現(xiàn)都是假的。」

一個明顯的例證是：許多醫(yī)生已在私下使用 AI 做資料檢索，但一旦涉及正式的臨床決策，態(tài)度立刻變得謹慎——信息可以「查」，決策卻不敢「信」。

這正是醫(yī)渡智循試圖破解的核心命題：如何讓 AI 從「能查信息」進化為「可托付循證決策」。而要解答這個問題，需要回到技術(shù)本身。

02

一場針對幻覺的工程化「圍剿」

醫(yī)渡智循的技術(shù)能力，并非平地起高樓，而是植根于醫(yī)渡科技十余年的沉淀。醫(yī)渡科技的「AI 醫(yī)療大腦」YiduCore 累計處理分析近70 億份醫(yī)療記錄，在醫(yī)學(xué)知識處理、加工算法領(lǐng)域具備深厚積累，可將臨床指南中的非結(jié)構(gòu)化信息，精準提煉為 AI 可用的結(jié)構(gòu)化知識形態(tài)。這也是醫(yī)渡智循實現(xiàn)「句句可溯源」的底層基礎(chǔ)。

醫(yī)渡智循本質(zhì)上是一個基于檢索增強生成（RAG）的循證決策系統(tǒng)，但其技術(shù)實現(xiàn)遠不止「向量檢索+大模型總結(jié)」的簡單組合。為了實現(xiàn)臨床可接受的低幻覺率，避免生成結(jié)論與引用文獻「張冠李戴」，醫(yī)渡智循在檢索與生成兩大核心環(huán)節(jié)進行了全流程的精細化設(shè)計。

在檢索環(huán)節(jié)，醫(yī)渡智循搭建了醫(yī)療專屬的知識篩選體系，參照臨床醫(yī)生的判斷邏輯，對海量文獻做前置篩選，僅保留權(quán)威指南（3 萬+）與高質(zhì)量文獻（500 萬+），并進行權(quán)威度、時效性的分級排序（參考 GRADE 證據(jù)分級邏輯）。更關(guān)鍵的是，針對醫(yī)療知識易因上下文缺失產(chǎn)生歧義的問題，系統(tǒng)將適應(yīng)人群、治療階段、疾病分型等核心場景信息精準掛載到每一個知識分片上，使檢索不再是單純的語義匹配，而是疊加了多維度臨床條件的精細化匹配，確保召回的知識點精準適配臨床問題。

在生成環(huán)節(jié)，醫(yī)渡智循專門增設(shè)了「驗證」關(guān)卡，對生成結(jié)論做反向核驗，逐一核查每一條結(jié)論是否能從標注引用的原文中找到明確的證據(jù)支撐，無法驗證的內(nèi)容會被直接剔除，從工程層面徹底避免「引用 A 文獻、生成 B 結(jié)論」的問題。

然而，技術(shù)手段難以做到絕對的零幻覺，醫(yī)療場景的嚴肅性又要求必須有兜底方案。醫(yī)渡智循將產(chǎn)品層面的溯源能力做到極致：生成內(nèi)容的溯源粒度細化到「句號」級別，每一句話都能精準關(guān)聯(lián)到對應(yīng)的權(quán)威來源，且原文中匹配的核心內(nèi)容會做高亮展示。這意味著，即便存在極少數(shù)極端情況，醫(yī)生也能以極低成本快速完成人工校驗。

這套從檢索源頭把控、生成環(huán)節(jié)校驗，到產(chǎn)品層面兜底的全流程技術(shù)體系，使醫(yī)渡智循在引用準確性與幻覺率控制上優(yōu)于行業(yè)多數(shù)產(chǎn)品，讓 RAG 技術(shù)在醫(yī)療場景中真正實現(xiàn)了「可控檢索、可信生成」。

03

多專科智能體協(xié)作：

從「泛化 AI」到「專科級智能」

除了可信，通用醫(yī)療 AI 產(chǎn)品還面臨另一個困境：回答常見問題尚可，一旦涉及專科深度問題，答案就變得泛泛而談。

要實現(xiàn)醫(yī)療 AI 的專科級智能，核心在于讓模型真正理解各專科的診療邏輯、循證體系與臨床實操規(guī)范。醫(yī)渡智循的解法，是構(gòu)建一套多專科智能體協(xié)作引擎，不再依賴單一通用模型，而是針對不同專科、不同疾病領(lǐng)域，打造專屬的專科智能體，讓每個智能體都成為對應(yīng)領(lǐng)域的「專科專家」。

這些智能體并非憑空構(gòu)建，而是從院內(nèi)場景遷移而來。過去幾年，醫(yī)渡科技與中山大學(xué)腫瘤防治中心、北京大學(xué)腫瘤醫(yī)院、北京協(xié)和醫(yī)院等頂級醫(yī)院合作，在真實診療環(huán)節(jié)中打磨了超過 200 個專科智能體，覆蓋腫瘤、心血管、全科等多個方向。這些智能體曾嵌入門診醫(yī)生工作站，與醫(yī)生協(xié)同完成腫瘤分期、治療方案推薦、風險評估等任務(wù)，完成了深度臨床驗證。

在實際應(yīng)用中，這套協(xié)作引擎會先對醫(yī)生的臨床需求進行精準解析，識別問題背后的專科屬性、疾病類型、診療場景等核心要素，再將需求精準分流至對應(yīng)的專科智能體，如同為醫(yī)生組建了一支專屬的「多學(xué)科智能體專家顧問團」。

每個專科智能體都聚焦自身領(lǐng)域做深做精，既保證了 AI 輸出的專科精準度，又通過協(xié)作模式覆蓋了多學(xué)科交叉場景，讓醫(yī)療 AI 的能力真正貼合臨床的專科化需求。

這種以專科為核心的思路，貼合了醫(yī)療診療的本質(zhì)規(guī)律，也讓 AI 循證建議能夠真正匹配專科醫(yī)生的臨床決策需求，成為醫(yī)生在專科診療中敢用、能用、好用的專業(yè)支撐，為醫(yī)療 AI 從「工具」走向「臨床伙伴」奠定了核心基礎(chǔ)。

04

如何讓循證智能真正融入工作流？

在醫(yī)療 AI 落地過程中，一個長期存在的困局是：院內(nèi)系統(tǒng)封閉、數(shù)據(jù)孤島林立，醫(yī)生不得不在多個系統(tǒng)間切換，循證工具往往淪為「查資料」的輔助角色，而非真正融入決策流程的「臨床伙伴」。這并非技術(shù)能力不足，而是產(chǎn)品形態(tài)與臨床工作流之間天然存在的割裂。

破解這一困局，需要 AI 真正嵌入工作流，而非停留在查詢工具層面。醫(yī)渡智循推出的醫(yī)院專屬版本，正是沿著這一方向所做的探索。

該版本可與醫(yī)院 HIS、EMR 等現(xiàn)有信息系統(tǒng)深度對接，實現(xiàn)患者病歷、檢查指標、用藥記錄等真實診療數(shù)據(jù)與循證知識庫的無縫聯(lián)動。無需醫(yī)生額外輸入，系統(tǒng)即可根據(jù)患者個體情況，自動匹配對應(yīng)專科指南與智能體，生成個性化的診療建議與循證依據(jù)，讓循證智能真正嵌入院內(nèi)臨床工作流。

同時，醫(yī)院版支持針對不同醫(yī)療機構(gòu)的個性化定制：可根據(jù)醫(yī)院的學(xué)科特色、專科優(yōu)勢調(diào)整專科智能體權(quán)重，精準適配院內(nèi)的藥品目錄、診療規(guī)范與質(zhì)控要求；更能聯(lián)合院內(nèi)專家共建專屬知識庫，將醫(yī)院的特色診療經(jīng)驗、內(nèi)部共識融入循證體系，使 AI 輸出的建議更貼合醫(yī)院的實際診療需求。

醫(yī)渡智循的個人版則通過個人知識庫功能，打造專屬于醫(yī)生的「移動循證書房」。醫(yī)生可在個人知識庫中自主收藏、上傳認可的指南文獻、專科共識，按個人診療習(xí)慣與研究方向分類整理，形成個性化的知識空間；在臨床查詢時，系統(tǒng)可優(yōu)先匹配個人知識庫中的內(nèi)容，實現(xiàn)權(quán)威通用知識與醫(yī)生個人經(jīng)驗的有機結(jié)合。無論是門診間隙的快速查詢、院外的病例分析，還是科研時的文獻梳理，個人知識庫都能讓循證檢索更貼合醫(yī)生的個體需求，大幅提升使用效率。

從醫(yī)院版的院內(nèi)流程深度融合、個性化定制，到個人版的個人知識庫功能、院外靈活適配，醫(yī)渡智循實現(xiàn)了「院內(nèi)深耕+院外普惠」的全場景布局，讓循證智能不再是孤立的工具，而是貫穿醫(yī)生日常診療、科研、學(xué)習(xí)的全流程支撐。

05

后發(fā)優(yōu)勢：不做風口上的產(chǎn)品

與部分從公開文獻或 C 端切入的同類產(chǎn)品相比，醫(yī)渡智循的差異化路徑清晰可見。

這類產(chǎn)品往往追求用戶規(guī)模，而醫(yī)渡智循從誕生之初就扎根醫(yī)院，這種「院內(nèi)出身」的路徑，決定了其與生俱來的專業(yè)性和臨床適配性。醫(yī)生使用后的第一反饋是：「這個產(chǎn)品，真的是給醫(yī)生做的。」——AI 生成的結(jié)論、問答的邏輯，都高度貼合臨床思維與使用習(xí)慣。

醫(yī)渡智循的發(fā)布時間，相比同類產(chǎn)品晚了幾個月。但正如醫(yī)渡科技 CEO 徐濟銘所言：「醫(yī)生是高專業(yè)的群體，對新技術(shù)的接受是嚴肅謹慎的。直到 DeepSeek moment 出現(xiàn)，大家看到 AI 的思考鏈，才會覺得『今天的 AI 有點靠譜了』。」

醫(yī)渡智循選擇在行業(yè)教育基本成熟、技術(shù)成熟度達到臨界點后推出，既節(jié)省了市場教育成本，又能更清醒地聚焦于醫(yī)生的真痛點，避免了盲目跟風的技術(shù)堆砌。這種「慢一步」的背后，是對醫(yī)療行業(yè)規(guī)律的深刻理解，也是對產(chǎn)品臨床價值的極致追求。

06

總結(jié)

醫(yī)渡智循的技術(shù)拆解，揭示了一個樸素的道理：在醫(yī)療領(lǐng)域，AI 的價值不在于「生成」多么驚艷的答案，而在于如何讓答案可信、可驗證、可嵌入臨床流程。

通過檢索環(huán)節(jié)的精細化匹配、生成環(huán)節(jié)的二次校驗、多專科智能體的深度沉淀，再到醫(yī)院版的布局、個人知識庫的個性化定制，醫(yī)渡智循解決的并不只是「幻覺率」的問題，而是 AI 是否具備進入真實醫(yī)療決策流程的「入場條件」。

醫(yī)渡智循的技術(shù)壁壘，本質(zhì)上是一套「讓醫(yī)療 AI 回歸循證」的方法論。它不是大模型熱潮下的短跑選手，而是一場以專業(yè)和信任為底色的長跑。

在這場關(guān)乎生命與健康的變革中，醫(yī)渡智循正在證明：最好的技術(shù)，不是為了取代醫(yī)生，而是為了讓臨床決策回歸循證——讓每一句話都有據(jù)可依。

*頭圖來源：AI科技評論

本文轉(zhuǎn)載于公眾號「AI科技評論」

極客一問

你如何看待醫(yī)療 AI 的落地？