衡宇 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

中國團(tuán)隊(duì)首次在全球頂尖期刊發(fā)表“大模型+醫(yī)療”領(lǐng)域的相關(guān)標(biāo)準(zhǔn)研究！

作為Nature體系中專注于數(shù)字醫(yī)療的旗艦期刊，《npj Digital Medicine》（JCR影響因子15.1，中科院醫(yī)學(xué)大類1區(qū)Top期刊）此次收錄的CSEDB研究，首次提出了一套用于評估醫(yī)療大模型真實(shí)臨床能力的系統(tǒng)性框架。

它由中國AI醫(yī)療公司“未來醫(yī)生”協(xié)同32位來自北京協(xié)和醫(yī)院、中國醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院、北京大學(xué)口腔醫(yī)院、中國醫(yī)學(xué)科學(xué)院阜外醫(yī)院、中國人民解放軍總醫(yī)院、復(fù)旦大學(xué)附屬華山醫(yī)院、上海市同濟(jì)醫(yī)院等頂尖醫(yī)療機(jī)構(gòu)的23個核心專科的一線臨床專家共同制定。

CSEDB全稱為Clinical Safety-Effectiveness Dual-Track Benchmark（臨床安全性與有效性雙軌基準(zhǔn)），它首次為評估醫(yī)療AI真實(shí)臨床能力建立了一個基于臨床專家共識、覆蓋全面風(fēng)險(xiǎn)維度，并將安全性與有效性分開考量的標(biāo)準(zhǔn)化基準(zhǔn)。

通過公開實(shí)驗(yàn)，CSEDB直接給出了不同模型在同一標(biāo)尺下的臨床能力對照結(jié)果。

看到CSEDB登上Nature子刊后，GlobalMD創(chuàng)始人Tim Shi非常激動：

• 這正是我們一直在等待的市場信號！
  由中國推動的標(biāo)準(zhǔn)+MedGPT的表現(xiàn)=真正的差異化。

從行業(yè)角度看，這項(xiàng)研究釋放出了一個清晰的信號：

• 醫(yī)療AI的競爭，正在從能力展示階段，正式進(jìn)入責(zé)任定義階段。

CSEDB憑什么被權(quán)威期刊認(rèn)可？

醫(yī)療既是高價值場景，也是高風(fēng)險(xiǎn)場景，最近這條賽道上熱鬧非凡，包括谷歌、OpenAI、Anthropic等在內(nèi)，都在加速押注醫(yī)療AI。

回看醫(yī)療AI發(fā)展至今的軌跡，有一個矛盾始終難以化解——

現(xiàn)有評估體系往往圍繞學(xué)術(shù)數(shù)據(jù)集展開，更多關(guān)注準(zhǔn)確率、召回率等統(tǒng)計(jì)指標(biāo)，但鮮少回答在真實(shí)場景中部署使用會帶來什么結(jié)果。

而針對人類醫(yī)生設(shè)置的執(zhí)業(yè)醫(yī)師考試，難以覆蓋真實(shí)場景所需。

“真實(shí)臨床工作的復(fù)雜性遠(yuǎn)超考試?！北本﹨f(xié)和醫(yī)院胸外科主任醫(yī)師梁乃新教授告訴量子位，執(zhí)業(yè)醫(yī)師考試是一種通過性門檻，核心是考核基礎(chǔ)規(guī)范與“不犯錯”的能力。在面對個體化治療與多病共存的患者時，醫(yī)生的核心價值在于做出追求更好的綜合判斷。

所以，醫(yī)療AI往往在評測榜單上表現(xiàn)亮眼，但很難在真實(shí)診療環(huán)境中驗(yàn)證安全性和有效性。

正是在這樣的背景下，CSEDB被提出。

CSEDB由未來醫(yī)生協(xié)同32位來自頂尖醫(yī)療機(jī)構(gòu)23個核心?？频囊痪€臨床專家共同制定。

最為創(chuàng)新的地方，在于CSEDB在醫(yī)療AI評估中首次引入了“安全性”與“有效性”雙軌評價體系。

與以往算總分的評測標(biāo)準(zhǔn)不同，CSEDB一條軌道專注安全性，另一條軌道衡量有效性，只有同時通過這兩道門檻，模型才被認(rèn)為具備臨床部署的基本資格。

更關(guān)鍵的是，CSEDB還進(jìn)一步在指標(biāo)設(shè)計(jì)上引入了風(fēng)險(xiǎn)權(quán)重機(jī)制，每一項(xiàng)評估指標(biāo)都會根據(jù)其潛在臨床風(fēng)險(xiǎn)，被賦予1到5級的權(quán)重。

涉及誤診、禁忌用藥等高風(fēng)險(xiǎn)情境的指標(biāo)，會對總評分產(chǎn)生顯著影響。

這種設(shè)計(jì)邏輯在評估階段就模擬醫(yī)療決策中的風(fēng)險(xiǎn)分級體系，把“安全優(yōu)先”嵌入到評分結(jié)構(gòu)之中。

為了支撐好CSEDB，專家團(tuán)隊(duì)特意構(gòu)建了一個面向真實(shí)臨床問題的數(shù)據(jù)集。

整套評估體系共涵蓋了2069個開放式問答條目，覆蓋26個臨床?？啤?/p>

這些問答場景高度貼近一線實(shí)際的臨床病例推演，涵蓋危急重癥狀識別、致死性診斷失誤、劑量與器官功能失配、嚴(yán)重過敏史忽視、常見病正確診斷、多病并存優(yōu)先級、并發(fā)癥預(yù)警提示等關(guān)鍵場景，強(qiáng)調(diào)模型在連續(xù)決策中的表現(xiàn)。

從評估邏輯上看，CSEDB關(guān)注的核心并非模型“知道多少”，而是模型“如果這樣判斷，會發(fā)生什么”。

這種以醫(yī)療后果為中心的設(shè)計(jì)，讓它天然具備部署導(dǎo)向和監(jiān)管友好性，同時具備向不同醫(yī)療體系擴(kuò)展的潛力。

從根本上改變評估目標(biāo)，兼具專業(yè)性和完整性，方法論上可復(fù)現(xiàn)、可推廣，讓CSEDB能夠覆蓋真實(shí)臨床風(fēng)險(xiǎn)，為不同國家的不同醫(yī)療機(jī)構(gòu)采用同一標(biāo)尺提供了可能。

推特上有網(wǎng)友留言：

• CSEDB被Nature子刊收錄，可能有助于評估GPT的新應(yīng)用。

在這套框架下，專家團(tuán)隊(duì)評估了全球范圍內(nèi)的主流大模型，包括DeepSeek-R1、OpenAI o3、Gemini-2.5、Qwen3-235B、Claude-3.7等在內(nèi)，悉數(shù)接受了這套嚴(yán)格測試。

結(jié)果頗具沖擊力——

在總體得分、安全性和有效性三個核心維度上，中國未來醫(yī)生團(tuán)隊(duì)推出的MedGPT均位列第一。

尤其在安全性指標(biāo)上，MedGPT與其他模型拉開了顯著差距，更是唯一一個在安全性評分上超過有效性的模型。

臨床安全和有效性持續(xù)收斂，MedGPT技術(shù)大拆箱

奪冠的MedGPT是什么來頭？

它由中國AI醫(yī)療公司“未來醫(yī)生”推出，是一個原生為臨床使用場景設(shè)計(jì)的醫(yī)療大模型。

鑒于醫(yī)療決策本身并不均質(zhì)，MedGPT的核心架構(gòu)設(shè)計(jì)了快慢雙系統(tǒng)模式。

大量臨床場景其實(shí)高度常規(guī)，路徑清晰、風(fēng)險(xiǎn)可控，并且在醫(yī)療場景中對響應(yīng)速度要求高，快慢雙系統(tǒng)中的“快系統(tǒng)”專為這類場景而設(shè)計(jì)。

它采用輕量化的推理結(jié)構(gòu)，在高度結(jié)構(gòu)化的醫(yī)學(xué)知識約束下，快速生成候選結(jié)論，響應(yīng)時間可以壓縮到百毫秒量級。

簡單來說，快系統(tǒng)追求在低風(fēng)險(xiǎn)前提下的穩(wěn)定輸出，避免在簡單問題上過度消耗算力和推理成本。

但醫(yī)療場景里還有一些棘手的問題，比如有的患者癥狀不典型，或存在合并癥或用藥沖突的情況。這種時候，需要對其病癥反復(fù)推敲，才能下診斷。

在此類復(fù)雜場景下，即便人類醫(yī)生也面臨較高的誤判風(fēng)險(xiǎn)，而AI模型還存在幻覺問題，單一的快系統(tǒng)機(jī)制顯然不足以保證安全性。

針對那些高復(fù)雜度、高風(fēng)險(xiǎn)場景，MedGPT則自備了一套“慢系統(tǒng)”。

慢系統(tǒng)會主動拉長推理鏈，引入多階段臨床演繹路徑，將診斷拆解為病史分析-鑒別診斷-結(jié)論驗(yàn)證等多個步驟，并調(diào)用更豐富的醫(yī)學(xué)知識庫與專家經(jīng)驗(yàn)進(jìn)行交叉校驗(yàn)。

雖然存在兩套系統(tǒng)，但MedGPT并不會說讓兩套系統(tǒng)并行給出答案然后簡單擇優(yōu)，它會根據(jù)問題的風(fēng)險(xiǎn)等級、信息不確定性以及潛在后果，動態(tài)決定是否從快系統(tǒng)升級到慢系統(tǒng)。

為了進(jìn)一步確保嚴(yán)謹(jǐn)性，MedGPT還進(jìn)一步引入了專門的風(fēng)險(xiǎn)調(diào)和與控制機(jī)制“ACC層”，來處理兩套系統(tǒng)輸出之間的沖突。

當(dāng)快系統(tǒng)給出的直覺性結(jié)論，與慢系統(tǒng)在深度推理中發(fā)現(xiàn)的風(fēng)險(xiǎn)信號出現(xiàn)不一致時，系統(tǒng)會優(yōu)先觸發(fā)風(fēng)險(xiǎn)約束，重新審視推理路徑，必要時直接拒絕輸出，并引導(dǎo)轉(zhuǎn)向人工就醫(yī)。

在訓(xùn)練和數(shù)據(jù)層面，MedGPT通過結(jié)構(gòu)化方式內(nèi)化了醫(yī)學(xué)知識體系。模型內(nèi)化醫(yī)學(xué)知識體系后，推理時會更接近醫(yī)學(xué)決策的真實(shí)路徑。

注意！MedGPT還在使用中不斷進(jìn)化。

每周，來自超過一萬名醫(yī)生的兩萬條診療反饋會沉淀，納入模型推理單元訓(xùn)練形成數(shù)據(jù)飛輪。從結(jié)果上來看，MedGPT每月準(zhǔn)確率均穩(wěn)定提升1.2%-1.5%。

不過，不是所有人都能根據(jù)快慢雙系統(tǒng)復(fù)刻出另一個MedGPT：MedGPT身上還有可以被拆解、被驗(yàn)證，也被真實(shí)運(yùn)行過的工程結(jié)果。

首先是醫(yī)學(xué)邏輯被顯式建模。

MedGPT主動把臨床決策過程拆成結(jié)構(gòu)化路徑，從病史分析、初步判斷，到鑒別診斷和結(jié)論驗(yàn)證，每一步都對應(yīng)明確的醫(yī)學(xué)知識來源和校驗(yàn)規(guī)則。

模型不再只是給結(jié)論，而是沿著一條可追溯的醫(yī)學(xué)邏輯鏈條推進(jìn)，錯誤不容易被“一次生成”掩蓋。

其次是臨床風(fēng)險(xiǎn)被量化控制。

無論是快慢雙系統(tǒng)的分流，還是ACC層的風(fēng)險(xiǎn)調(diào)和，MedGPT把臨床可能遇到的風(fēng)險(xiǎn)前置到推理過程中。

高風(fēng)險(xiǎn)場景下，系統(tǒng)會主動提高驗(yàn)證門檻，甚至觸發(fā)拒答和就醫(yī)引導(dǎo)，用工程化能力讓產(chǎn)品劃清責(zé)任邊界。

最后，也是最容易被忽略的一點(diǎn)，那就是臨床反饋形成的動態(tài)閉環(huán)。

MedGPT在真實(shí)使用中持續(xù)接收醫(yī)生反饋，每周沉淀大量規(guī)則更新。

這些反饋并不只是“好不好用”的主觀評價，會直接作用于慢系統(tǒng)的推理路徑修正和風(fēng)險(xiǎn)策略調(diào)整，使模型的進(jìn)化方向始終由真實(shí)診療場景牽引。

綜上所述，醫(yī)學(xué)邏輯的顯式建模、臨床風(fēng)險(xiǎn)的量化控制以及臨床反饋的動態(tài)閉環(huán)這三層機(jī)制的疊加，讓安全性與有效性在MedGPT身上持續(xù)收斂，構(gòu)成了其難以被簡單復(fù)刻的核心壁壘。

故而MedGPT能在CSEDB中展現(xiàn)出優(yōu)勢。

而這個尊重醫(yī)學(xué)復(fù)雜性，且其設(shè)計(jì)哲學(xué)與評估標(biāo)準(zhǔn)高度一致的MedGPT，被團(tuán)隊(duì)設(shè)計(jì)為未來醫(yī)生產(chǎn)品體系的核心動力引擎。

讓醫(yī)療AI能力在使用中收斂

如果只把模型當(dāng)成技術(shù)能力的展示，那么一時在榜單上奪冠便已足夠。

然而對于未來醫(yī)生團(tuán)隊(duì)而言，比模型能力展示更重要的，是如何將技術(shù)優(yōu)勢轉(zhuǎn)化為真實(shí)的臨床價值。

未來醫(yī)生以通過CSEDB嚴(yán)格驗(yàn)證的MedGPT為核心，構(gòu)建了精準(zhǔn)匹配不同醫(yī)療角色與場景的產(chǎn)品矩陣：

? 患者側(cè)的“未來醫(yī)生”，7*24小時為用戶提供高質(zhì)量、負(fù)責(zé)任、可追溯的嚴(yán)肅診療服務(wù)，致力于“讓頂級專家免費(fèi)在線給全國人民看病”；
? 醫(yī)生側(cè)的“未來醫(yī)生AI工作室”，深度嵌入診療決策流程，成為醫(yī)生的智能協(xié)作者；
? 基層醫(yī)療場景下的“未來家醫(yī)”，則為資源有限的基層機(jī)構(gòu)提供持續(xù)、可靠的輔助支持。
? ……

這些產(chǎn)品讓技術(shù)主動適配臨床工作流，在每一個環(huán)節(jié)追求可衡量的效率提升與風(fēng)險(xiǎn)控制，目標(biāo)是通過AI新技術(shù)實(shí)現(xiàn)優(yōu)質(zhì)醫(yī)療資源的無限復(fù)制，進(jìn)而改變醫(yī)療資源供給不足引發(fā)的諸多困境，最終使高品質(zhì)的健康與醫(yī)療服務(wù)變得人人可及。

技術(shù)能力通過CSEDB這樣的評估框架得到驗(yàn)證，產(chǎn)品體系又讓這些能力持續(xù)暴露在真實(shí)使用場景中反復(fù)檢驗(yàn)，一個獨(dú)特的“牽引式”進(jìn)化閉環(huán)就此誕生了。

技術(shù)能力通過CSEDB的驗(yàn)證獲得“準(zhǔn)生證”，產(chǎn)品矩陣則將其置于真實(shí)場景中反復(fù)淬煉。

技術(shù)被迫遵從臨床流程的嚴(yán)格約束，產(chǎn)品則通過用戶反饋不斷向技術(shù)提出更高、更精準(zhǔn)的要求。二者相互牽引，驅(qū)動系統(tǒng)向更可用、更可控的方向持續(xù)演進(jìn)。

在醫(yī)療AI這場馬拉松中，短期技術(shù)領(lǐng)先并不罕見，長期兌現(xiàn)的臨床價值卻極其稀缺。

放在更長的時間尺度中，榜單會變化，標(biāo)準(zhǔn)也會不斷升級……醫(yī)療AI的競爭，更像一場長期耐力測試。

技術(shù)、評估、產(chǎn)品三者的協(xié)同，正在成為醫(yī)療AI能否深入臨床的決定性因素。

這正在重新定義醫(yī)療AI通往臨床的核心路徑，從追求榜單上的智能，轉(zhuǎn)向兌現(xiàn)診療中的信任。

刊發(fā)網(wǎng)頁：
https://www.nature.com/articles/s41746-025-02277-8