中国医生为何对AI持怀疑态度？医渡科技如何破解

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