中国医生「不信 AI」的死结怎么解？

当 AI 医疗从「能查」走向「可信」，变革才算真正开始。

在循证医学领域，一个根本性的矛盾正愈演愈烈。

医学知识在以每年超百万篇医学论文发表的速度爆炸式增长，临床指南更新周期从数年压缩到数月。但医生的认知带宽却是有限的——没有人能记住所有指南，更不用说追踪最新研究。

这个矛盾催生了巨大的市场需求。在美国，OpenEvidence 的月度医生咨询量从 2024 年的 36 万次飙升至 2025 年的 850 万次，增长超过 20 倍。超过 45% 的美国医生已经高频使用 AI 辅助决策。

在中国，已有超过 1000 家医院部署 AI 系统，但始终缺乏一个真正成熟、严谨且可托付的循证产品，让医生面对复杂临床决策时能够放心交付。这一困境，正被一家深耕医疗 AI 与大数据技术十余年的公司解开。

近期，中关村论坛年会上，医渡科技与清华长庚医院等头部医院共同启动了「中国临床循证智能能力建设计划」，与此同时，作为计划核心技术载体与落地产品的「医渡智循」发布了 APP 版本——一款定位为医生「超级助手、第二大脑、多学科智能体专家顾问团」的临床循证决策系统。与市面上多数从公开文献或 C 端切入的医疗 AI 不同，医渡智循的基因根植于医院。历经真实诊疗全流程打磨，并依托与顶级医院共建的 200 余个专科智能体，最终实现从院内到院外的成熟迁移。

它究竟如何破解医疗 AI 的「信任」难题？我们一起来拆解。

01

从「能查」到「可信」，

医疗 AI 的最后一公里

医疗 AI 已成为全球人工智能赛道中增长最快、资本最集中的领域之一。据知名行研机构 FortuneBusinessInsights 报告，2025 年全球医疗 AI 市场规模达 393.4 亿美元，2026 年将飙升至 560.1 亿美元，2026-2034 年复合年增长率（CAGR）高达 43.96%，远超 AI 整体行业平均增速。

然而，国内医疗 AI 的落地却面临一个现实挑战：大部分医生并不知道如何信任 AI。

北京某三甲医院眼科王医生坦言：「指南更新快、门诊量大、诊疗时间短，医生很难实时查阅最新文献，循证要求难以完全落到实处。而且证据零散、缺乏分级与溯源工具，医生往往只能依赖传统经验主义。」

广州某三甲医院心脏中心李医生也表达了类似的困扰：「医生的经验有限，面对少见病例时，往往需要文献支撑。但不同国家、不同时期的指南和共识可能不一致，你不知道哪个更可信。」

更令人担忧的是，即便使用现有 AI 工具，也常常遭遇「信任危机」。王医生直言：「无论是 DeepSeek 还是 ChatGPT，都存在『编文献』的问题。它看似给你一个完美的答案，但当你去寻找原始文献时，发现都是假的。」

一个明显的例证是：许多医生已在私下使用 AI 做资料检索，但一旦涉及正式的临床决策，态度立刻变得谨慎——信息可以「查」，决策却不敢「信」。

这正是医渡智循试图破解的核心命题：如何让 AI 从「能查信息」进化为「可托付循证决策」。而要解答这个问题，需要回到技术本身。

02

一场针对幻觉的工程化「围剿」

医渡智循的技术能力，并非平地起高楼，而是植根于医渡科技十余年的沉淀。医渡科技的「AI 医疗大脑」YiduCore 累计处理分析近70 亿份医疗记录，在医学知识处理、加工算法领域具备深厚积累，可将临床指南中的非结构化信息，精准提炼为 AI 可用的结构化知识形态。这也是医渡智循实现「句句可溯源」的底层基础。

医渡智循本质上是一个基于检索增强生成（RAG）的循证决策系统，但其技术实现远不止「向量检索+大模型总结」的简单组合。为了实现临床可接受的低幻觉率，避免生成结论与引用文献「张冠李戴」，医渡智循在检索与生成两大核心环节进行了全流程的精细化设计。

在检索环节，医渡智循搭建了医疗专属的知识筛选体系，参照临床医生的判断逻辑，对海量文献做前置筛选，仅保留权威指南（3 万+）与高质量文献（500 万+），并进行权威度、时效性的分级排序（参考 GRADE 证据分级逻辑）。更关键的是，针对医疗知识易因上下文缺失产生歧义的问题，系统将适应人群、治疗阶段、疾病分型等核心场景信息精准挂载到每一个知识分片上，使检索不再是单纯的语义匹配，而是叠加了多维度临床条件的精细化匹配，确保召回的知识点精准适配临床问题。

在生成环节，医渡智循专门增设了「验证」关卡，对生成结论做反向核验，逐一核查每一条结论是否能从标注引用的原文中找到明确的证据支撑，无法验证的内容会被直接剔除，从工程层面彻底避免「引用 A 文献、生成 B 结论」的问题。

然而，技术手段难以做到绝对的零幻觉，医疗场景的严肃性又要求必须有兜底方案。医渡智循将产品层面的溯源能力做到极致：生成内容的溯源粒度细化到「句号」级别，每一句话都能精准关联到对应的权威来源，且原文中匹配的核心内容会做高亮展示。这意味着，即便存在极少数极端情况，医生也能以极低成本快速完成人工校验。

这套从检索源头把控、生成环节校验，到产品层面兜底的全流程技术体系，使医渡智循在引用准确性与幻觉率控制上优于行业多数产品，让 RAG 技术在医疗场景中真正实现了「可控检索、可信生成」。

03

多专科智能体协作：

从「泛化 AI」到「专科级智能」

除了可信，通用医疗 AI 产品还面临另一个困境：回答常见问题尚可，一旦涉及专科深度问题，答案就变得泛泛而谈。

要实现医疗 AI 的专科级智能，核心在于让模型真正理解各专科的诊疗逻辑、循证体系与临床实操规范。医渡智循的解法，是构建一套多专科智能体协作引擎，不再依赖单一通用模型，而是针对不同专科、不同疾病领域，打造专属的专科智能体，让每个智能体都成为对应领域的「专科专家」。

这些智能体并非凭空构建，而是从院内场景迁移而来。过去几年，医渡科技与中山大学肿瘤防治中心、北京大学肿瘤医院、北京协和医院等顶级医院合作，在真实诊疗环节中打磨了超过 200 个专科智能体，覆盖肿瘤、心血管、全科等多个方向。这些智能体曾嵌入门诊医生工作站，与医生协同完成肿瘤分期、治疗方案推荐、风险评估等任务，完成了深度临床验证。

在实际应用中，这套协作引擎会先对医生的临床需求进行精准解析，识别问题背后的专科属性、疾病类型、诊疗场景等核心要素，再将需求精准分流至对应的专科智能体，如同为医生组建了一支专属的「多学科智能体专家顾问团」。

每个专科智能体都聚焦自身领域做深做精，既保证了 AI 输出的专科精准度，又通过协作模式覆盖了多学科交叉场景，让医疗 AI 的能力真正贴合临床的专科化需求。

这种以专科为核心的思路，贴合了医疗诊疗的本质规律，也让 AI 循证建议能够真正匹配专科医生的临床决策需求，成为医生在专科诊疗中敢用、能用、好用的专业支撑，为医疗 AI 从「工具」走向「临床伙伴」奠定了核心基础。

04

如何让循证智能真正融入工作流？

在医疗 AI 落地过程中，一个长期存在的困局是：院内系统封闭、数据孤岛林立，医生不得不在多个系统间切换，循证工具往往沦为「查资料」的辅助角色，而非真正融入决策流程的「临床伙伴」。这并非技术能力不足，而是产品形态与临床工作流之间天然存在的割裂。

破解这一困局，需要 AI 真正嵌入工作流，而非停留在查询工具层面。医渡智循推出的医院专属版本，正是沿着这一方向所做的探索。

该版本可与医院 HIS、EMR 等现有信息系统深度对接，实现患者病历、检查指标、用药记录等真实诊疗数据与循证知识库的无缝联动。无需医生额外输入，系统即可根据患者个体情况，自动匹配对应专科指南与智能体，生成个性化的诊疗建议与循证依据，让循证智能真正嵌入院内临床工作流。

同时，医院版支持针对不同医疗机构的个性化定制：可根据医院的学科特色、专科优势调整专科智能体权重，精准适配院内的药品目录、诊疗规范与质控要求；更能联合院内专家共建专属知识库，将医院的特色诊疗经验、内部共识融入循证体系，使 AI 输出的建议更贴合医院的实际诊疗需求。

医渡智循的个人版则通过个人知识库功能，打造专属于医生的「移动循证书房」。医生可在个人知识库中自主收藏、上传认可的指南文献、专科共识，按个人诊疗习惯与研究方向分类整理，形成个性化的知识空间；在临床查询时，系统可优先匹配个人知识库中的内容，实现权威通用知识与医生个人经验的有机结合。无论是门诊间隙的快速查询、院外的病例分析，还是科研时的文献梳理，个人知识库都能让循证检索更贴合医生的个体需求，大幅提升使用效率。

从医院版的院内流程深度融合、个性化定制，到个人版的个人知识库功能、院外灵活适配，医渡智循实现了「院内深耕+院外普惠」的全场景布局，让循证智能不再是孤立的工具，而是贯穿医生日常诊疗、科研、学习的全流程支撑。

05

后发优势：不做风口上的产品

与部分从公开文献或 C 端切入的同类产品相比，医渡智循的差异化路径清晰可见。

这类产品往往追求用户规模，而医渡智循从诞生之初就扎根医院，这种「院内出身」的路径，决定了其与生俱来的专业性和临床适配性。医生使用后的第一反馈是：「这个产品，真的是给医生做的。」——AI 生成的结论、问答的逻辑，都高度贴合临床思维与使用习惯。

医渡智循的发布时间，相比同类产品晚了几个月。但正如医渡科技 CEO 徐济铭所言：「医生是高专业的群体，对新技术的接受是严肃谨慎的。直到 DeepSeek moment 出现，大家看到 AI 的思考链，才会觉得『今天的 AI 有点靠谱了』。」

医渡智循选择在行业教育基本成熟、技术成熟度达到临界点后推出，既节省了市场教育成本，又能更清醒地聚焦于医生的真痛点，避免了盲目跟风的技术堆砌。这种「慢一步」的背后，是对医疗行业规律的深刻理解，也是对产品临床价值的极致追求。

06

总结

医渡智循的技术拆解，揭示了一个朴素的道理：在医疗领域，AI 的价值不在于「生成」多么惊艳的答案，而在于如何让答案可信、可验证、可嵌入临床流程。

通过检索环节的精细化匹配、生成环节的二次校验、多专科智能体的深度沉淀，再到医院版的布局、个人知识库的个性化定制，医渡智循解决的并不只是「幻觉率」的问题，而是 AI 是否具备进入真实医疗决策流程的「入场条件」。

医渡智循的技术壁垒，本质上是一套「让医疗 AI 回归循证」的方法论。它不是大模型热潮下的短跑选手，而是一场以专业和信任为底色的长跑。

在这场关乎生命与健康的变革中，医渡智循正在证明：最好的技术，不是为了取代医生，而是为了让临床决策回归循证——让每一句话都有据可依。

*头图来源：AI科技评论

本文转载于公众号「AI科技评论」

极客一问

你如何看待医疗 AI 的落地？