共计 1042 个字符，预计需要花费 3 分钟才能阅读完成。
医疗 AI 的下一步, 可能不是多一个模型 , 而是多一个“科室”。清华 AIR 孵化的紫荆智康近日推出医学多分身智能体协同技术, 并升级“紫荆 AI 医院”系统, 让不同专科的 AI 分身进入同一间诊室, 为医生提供同科支持与跨科会诊。目前, 这套系统已在多地医院开展测试。
📌 看点速览:AI 分身如何协同
- 同科与跨科: 单个分身辅助本科室诊疗, 复杂病例由多专科分身共同分析。
- 两种模式: 按需提醒不打断门诊流程; 会诊模式集中呈现多专科建议。
- 真实测试: 截至 2026 年 7 月, 已构建 54 位 AI 医生, 覆盖数千种疾病; 北京清华长庚医院 18 个临床科室、40 余名医生参与使用, 效率提升 30%。
🔍 背景: 跨科室看病卡在哪
优质医生稀缺、专科分工精细, 是医疗行业长期存在的矛盾 。一个患者若同时涉及多个系统, 常要在内科、外科、影像科之间反复挂号; 多学科会诊又需协调专家时间, 耗时且成本不低, 也可能耽误治疗窗口。
紫荆智康的思路是把专家分身前置到诊室: 同科问题由单个分身支持, 复杂病例让多个分身参与 。例如甲亢患者同时有哮喘史, 呼吸科分身可提醒医生留意后续用药风险, 把跨专科支持提前到首诊和预问诊阶段。
💡 重点拆解: 把分歧留给医生
当分身意见不一致时, 系统不会强行收敛 , 而是分别呈现并高亮提示。医生能追溯意见来自哪个专科分身, 再结合患者情况、相关依据和自身经验作判断。
📊 底座与数据: 虚拟训练, 真实验证
紫荆 AI 医院采用 SEAL 路线, 即“虚拟世界训练 + 现实世界验证与微调”。在虚拟医院中,AI 医生与超拟真 AI 患者高频模拟诊疗, 成功案例进入病例库, 失败经验被反思、整理为可复用规则。
虚拟训练也会带来偏差。 例如 AI 可能优先推荐疗效最好的方案 , 却忽略患者经济承受能力。系统因此引入真实医生的操作反馈进行微调。产品覆盖患者端、医生端和医院端, 分别承接预问诊与健康管理、分身与病历决策辅助、排班权限与数据管理。
截至 2026 年 7 月, 系统已构建 54 位 AI 医生和数百万超拟真 AI 患者 , 覆盖数千种疾病; 北京清华长庚医院 18 个临床科室开展门诊测试,40 余名医生常态化使用, 整体诊疗效率提升 30%。AI 医生在 MedQA 数据集上的准确率超过 96%。
🚀 行业观察: 从单点工具到系统协同
过去, 医疗 AI 多从影像识别、病历生成或辅助问诊等单点任务切入, 难以贯穿完整诊疗流程 。生产级 AI 原生系统需要技术、临床与工程能力合力, 紫荆智康的探索提供了一个学术成果走向真实诊室的样本。
