中国医生被AI“欺骗”？800万次咨询背后，这款系统如何让每句话都有据可依

导语：当医生发现AI也会“编造文献”，信任危机成为医疗AI落地的最大障碍。医渡智循以院内精耕的200+专科智能体和句级溯源能力，正打开中国临床循证决策的可信之门。

在循证医学领域，一个根本性的矛盾正愈演愈烈：医学知识以每年超百万篇论文的速度爆炸式增长，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20倍，超过45%的美国医生已高频使用AI辅助决策。在中国，超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”，作为计划核心技术载体的“医渡智循”发布了APP版本——定位为医生“超级助手、第二大脑、多学科智能体专家顾问团”。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，依托与顶级医院共建的200余个专科智能体，实现从院内到院外的成熟迁移。

从“能查”到“可信”，医疗AI的最后一公里

医疗AI已成为全球增长最快、资本最集中的赛道之一。据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年复合年增长率高达43.96%。然而，国内落地面临现实挑战：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实。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示：“面对少见病例时，不同国家的指南可能不一致，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。它看似给你完美答案，但当你寻找原始文献时，发现都是假的。”

许多医生私下用AI检索，但一旦涉及正式临床决策，态度立刻谨慎——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：让AI从“能查信息”进化为“可托付循证决策”。

一场针对幻觉的工程化“围剿”

医渡智循的技术能力根植于医渡科技十余年沉淀。其“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、加工算法领域深厚积累，可将临床指南中非结构化信息精准提炼为AI可用的结构化知识，实现“句句可溯源”。

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，但绝非简单的“向量检索+大模型总结”。为实现临床可接受的低幻觉率，避免结论与文献“张冠李戴”，系统在检索与生成环节进行了全流程精细化设计。在检索环节，搭建医疗专属知识筛选体系，参照临床判断逻辑，对海量文献前置筛选，仅保留权威指南（3万+）与高质量文献（500万+），并依据GRADE证据分级逻辑进行权威度、时效性分级排序。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，使检索不再是单纯语义匹配，而是叠加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，专门增设“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证据支撑，无法验证的内容会被直接剔除，从工程层面杜绝“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零幻觉，医疗场景又必须有兜底方案。医渡智循将溯源粒度细化到“句号”级别，每一句话都能精准关联对应权威来源，且原文中匹配的核心内容做高亮展示。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”。

从“泛化AI”到“专科级智能”

通用医疗AI常面临困境：回答常见问题尚可，涉及专科深度问题便泛泛而谈。要实现专科级智能，核心在于模型真正理解各专科的诊疗逻辑与循证体系。医渡智循的做法是构建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智能体，让每个智能体成为对应领域的“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，协作引擎先对医生的临床需求精准解析，识别专科属性、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”。每个专科智能体聚焦自身领域做深做精，既保证AI输出的专科精准度，又通过协作模式覆盖多学科交叉场景，让医疗AI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。

如何让循证智能真正融入工作流？

医疗AI落地长期存在困局：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，而非融入决策流程的“临床伙伴”。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，医院版支持个性化定制：可根据医院的学科特色调整专科智能体权重，精准适配院内药品目录、诊疗规范与质控要求；更能联合院内专家共建专属知识库，将特色诊疗经验、内部共识融入循证体系，使AI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，形成个性化知识空间；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工具，而是贯穿医生日常诊疗、科研、学习的全流程支撑。

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。那些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”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。

医渡智循的技术拆解揭示了一个朴素道理：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。