面向医疗AI场景的医学大模型应用能力构建与算法实现路径深度研究报告 · 2026年8月证据分级说明本报告对所有关键论断标注证据等级，请读者据此判断可信度：标记含义【A】同行评议论文（Nature/NEJM/JAMA/ACL/NeurIPS 等）或已完成的 RCT【B】arXiv 预印本、官方技术报告、官方 Model Card【C】厂商技术博客、发布会、自建评测集自评，未经第三方复现【?】检索未能证实，或存在来源冲突，仅作参考特别提醒：本报告中大量国内厂商披露的"超越 GPT-5.x"类结论均属【C】级。不同厂商的 HealthBench 分数来自不同时点、不同基座、不同评测配置，横向对比在方法学上不成立，本报告并列呈现仅供了解各家宣称口径。执行摘要：十条核心判断1. 考试型基准已经死了。MedQA(USMLE) 的 SOTA 已达 94–96%【A/B】，Med-PaLM 2 时代 86.5% 的标杆早被通用模型跨过。MedGemma 技术报告自己承认"部分基准接近饱和、几无提升空间"【B】。今天再拿 MedQA 分数论证模型的临床价值，是一种认知偷懒。2. 真正的分水岭在"专家级推理"，而那里的分数惨不忍睹。MedXpertQA 上 MedGemma-27B 多模态仅 26.8【B】；HealthBench Hard 最高分 GPT-5 为 46.2【B】；MedBench v4 的安全伦理维度所有基础模型均分只有 18.4【B】。差距不是几个百分点，是数量级。3. 垂直医学模型的护城河正在被填平。Nature Medicine2026 刊文《通用大模型在医学基准上优于专用临床 AI 工具》（Nat Med 32:2405–2409）【A】。多项独立评估显示 OpenBioLLM-8B 在分布外的 NEJM 病例上崩到 30%，反而低于其 Llama-3 基座的 64.3%【B】。医学微调的边际收益随基座变强而递减，甚至转负。战略含义：价值重心应从"训一个医学模型"转向"证据接地 + 场景嵌入 + 本地评测"。4. 能力≠效果，这是全行业必须直面的核心矛盾。Nature Medicine2026 的肯尼亚整群 RCT（9,691 名患者、103 名临床人员、16 家诊所）显示：AI 辅助组 14 天治疗失败率 2.2% vs 对照 2.0%，无统计学差异；但显著改善了病历文书质量与用药成本【A】。这是迄今最有力的"基准分数不等于患者结局"的证据。5. 静态病例里"LLM 单独 ≥ 医生+LLM ≥ 医生"反复出现，说明瓶颈已从模型转向人机交互设计。Goh 等 JAMA Netw Open 2024 的 RCT：医生+GPT-4 为 76%，常规资源 74%，无差异；而 GPT-4 单独 90%【A】。npj Digital Medicine 2026 的 RCT 证明，同样的病例与评分表，仅仅把 LLM 从"工具"改造成"协作者"（AI 先给意见 + 观点合成），医生成绩就从 75% 升到 85%【A】。交互范式的收益大于模型升级的收益。6. 一进入动态、序贯、真实数据环境，成绩即断崖式下跌。CRAFT-MD（Nat Med2025）：GPT-4 在结构化选择题 82% → 去掉选项 49% → 模拟患者多轮对话26%【A】。MedAgentBench 上 Agent 的写操作成功率仅 54%，而查询是 85%【A】。这个"读易写难"的失效模式，是所有想让 AI 回写 EMR 的项目必须先解决的问题。7. 长思维链不是免费午餐。Med-R1（IEEE TMI 2025）发现，去掉中间推理的 “No-Thinking” 变体在医学 VQA 的域内与跨域泛化上都更好，且训练量更少【A】。结论：起作用的不是"推理本身"，而是"推理的质量与领域对齐度"。低质 CoT 会放大幻觉。8. 医疗 RAG 也不是无条件增益。Cell Reports Medicine2025 的用药审核研究发现引入 RAG未显著提升效果，部分指标反而下降【A】。但在长病历场景，RAG 用不到 8K token 就能超过百万上下文（arXiv:2508.14817）【B】——RAG 的价值在 token 效率与可溯源，不在盲目增益。9. 用药安全必须交给确定性规则层，不能交给 LLM。新加坡中央医院前瞻性交叉研究：最佳模型 Claude 3.5 Sonnet 用药错误识别准确率仅 51%；但"药师+LLM"协同达 61%，比药师独立审核的 46% 提升 32.6%【A】。正确架构是确定性 AI 在前（相互作用/过敏/剂量规则引擎），生成式 AI 在后（解释与呈现），且后者不得覆盖前者。10. 中国的合规窗口已经明确，但备案是硬约束。五部门《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（国卫办规划发〔2025〕30号）设定了 2027/2030 时间表【A】；《医疗卫生机构数据安全和个人信息保护管理办法（试行）》（国卫规划发〔2026〕6号）确立三级分类分级与"十项禁止"【A】。但现实是：截至 2026 年 3 月，医疗领域算法备案约 417 个，大模型备案仅 1 个。绝大多数机构选择"私有化部署 + 不开公网服务"绕开备案门槛——这是理解中国医疗大模型形态的关键。第一章 格局：2026 年医学大模型技术全景1.1 三条路线的分化到 2026 年，医学大模型已经明确分化出三条路线，它们的技术假设与商业逻辑完全不同：路线 A：通用旗舰模型 + 医疗后训练/产品化。代表是 OpenAI 的 ChatGPT Health / OpenAI for Healthcare（GPT-5.2 驱动）【C】、Anthropic 的 Claude for Healthcare（Claude Opus 4.5 底座）【B】。这条路线赌的是"通用能力的溢出效应"，医疗层做的是数据连接器、Agent Skills、合规封装，而非重训模型。路线 B：医学专用模型（开源/私有化友好）。代表是 Google 的 MedGemma 系列、百川 Baichuan-M 系列、EPFL 的 Fully Open Meditron。核心价值不是"比 GPT 更强"，而是可私有化、可审计、成本可控。Baichuan-M2 量化后 RTX 4090 单卡可部署，宣称相比 DeepSeek-R1 的 H20 双节点方案成本降低 57 倍【C】——这个数字本身可疑，但方向是对的。路线 C：任务专用基础模型（尤其影像/病理）。病理领域的 UNI/UNI2、CONCH/CONCH1.5、Virchow2/Virchow2G、Prov-GigaPath 等。Nature Biomedical Engineering2025 的独立评测（19 个病理基础模型 × 13 个队列 × 6,818 患者 / 9,528 切片）给出了关键结论：视觉-语言模型 CONCH 综合第一，Virchow2 紧随其后；且"数据多样性比数据量更关键"【A】。这条路线短期内不会被通用 VLM 取代。判断：三条路线不是竞争关系，而是分层协作关系。合理的工程架构是"专用编码器（路线 C）提供感知 → 通用/医学 LLM（路线 A/B）提供推理与表达"。MedGemma 1.5 虽然首次开源支持 3D CT/MRI 与全切片病理，但其 CT 发现分类仅 61%、MRI 65%【B】，仍不足以替代专用模型在弱监督临床任务上的地位。1.2 国际阵营的关键进展Google：AMIE 是 2026 年最值得关注的工作两篇同期 Nature 系论文标志着医疗 AI 从"答题"跨越到"执业"：多模态 AMIE（Nature Medicine，2026-05-14，DOI: 10.1038/s41591-026-04371-0）【A】：基于 Gemini 2.0 Flash，状态感知地在对话中主动索取皮肤照片、心电图。仿真 OSCE 远程问诊、18 位专家随机盲评，在问诊质量、诊断准确性、共情态度等绝大多数维度超越全科医生。管理推理 AMIE（Nature，2026-06-17，DOI: 10.1038/s41586-026-10764-5）【A】：从"诊断"跨越到"疾病管理"——跨多次就诊的连续推理、疗效反应、安全处方，利用长上下文做指南与处方集的 in-context 检索。对比 21 名全科医生、100+ 个多次就诊场景、5 个专科：管理推理非劣于医生，在治疗与检查精准度、指南遵循度上优于医生。同时提出 RxQA 用药推理基准（源自美英两国药典、经执业药师验证）。MedGemma 家族（开源权重）的演进值得单列，因为它是目前唯一有完整公开训练配方的医学多模态模型：版本时间关键指标MedGemma 1（4B/27B）2025-05 / 2025-07MedQA 27B 纯文本87.7%；MedXpertQA 27B-MM 仅26.8；一位持证放射科医师判定 4B 生成的胸片报告81%达到"可支持等效患者管理决策"MedGemma 1.5（仅 4B）2026-01-13MedQA 69.1；EHRQA 67.6→89.6（最具实用意义）；新增 3D CT/MRI、全切片病理（ROUGE-L 0.02→0.49，追平专用模型）、解剖定位 IoU 3%→38%；同期发布 MedASR 医学语音转写⚠️数据陷阱：部分第三方站点宣称存在"MedGemma 1.5 27B，MedQA 87.7%"，与 Google 官方 mod
面向医疗AI场景的医学大模型应用能力构建与算法实现路径深度研究报告 · 2026年8月证据分级说明本报告对所有关键论断标注证据等级，请读者据此判断可信度：标记含义【A】同行评议论文（Nature/NEJM/JAMA/ACL/NeurIPS 等）或已完成的 RCT【B】arXiv 预印本、官方技术报告、官方 Model Card【C】厂商技术博客、发布会、自建评测集自评，未经第三方复现【?】检索未能证实，或存在来源冲突，仅作参考特别提醒：本报告中大量国内厂商披露的"超越 GPT-5.x"类结论均属【C】级。不同厂商的 HealthBench 分数来自不同时点、不同基座、不同评测配置，横向对比在方法学上不成立，本报告并列呈现仅供了解各家宣称口径。执行摘要：十条核心判断1. 考试型基准已经死了。MedQA(USMLE) 的 SOTA 已达 94–96%【A/B】，Med-PaLM 2 时代 86.5% 的标杆早被通用模型跨过。MedGemma 技术报告自己承认"部分基准接近饱和、几无提升空间"【B】。今天再拿 MedQA 分数论证模型的临床价值，是一种认知偷懒。2. 真正的分水岭在"专家级推理"，而那里的分数惨不忍睹。MedXpertQA 上 MedGemma-27B 多模态仅 26.8【B】；HealthBench Hard 最高分 GPT-5 为 46.2【B】；MedBench v4 的安全伦理维度所有基础模型均分只有 18.4【B】。差距不是几个百分点，是数量级。3. 垂直医学模型的护城河正在被填平。Nature Medicine2026 刊文《通用大模型在医学基准上优于专用临床 AI 工具》（Nat Med 32:2405–2409）【A】。多项独立评估显示 OpenBioLLM-8B 在分布外的 NEJM 病例上崩到 30%，反而低于其 Llama-3 基座的 64.3%【B】。医学微调的边际收益随基座变强而递减，甚至转负。战略含义：价值重心应从"训一个医学模型"转向"证据接地 + 场景嵌入 + 本地评测"。4. 能力≠效果，这是全行业必须直面的核心矛盾。Nature Medicine2026 的肯尼亚整群 RCT（9,691 名患者、103 名临床人员、16 家诊所）显示：AI 辅助组 14 天治疗失败率 2.2% vs 对照 2.0%，无统计学差异；但显著改善了病历文书质量与用药成本【A】。这是迄今最有力的"基准分数不等于患者结局"的证据。5. 静态病例里"LLM 单独 ≥ 医生+LLM ≥ 医生"反复出现，说明瓶颈已从模型转向人机交互设计。Goh 等 JAMA Netw Open 2024 的 RCT：医生+GPT-4 为 76%，常规资源 74%，无差异；而 GPT-4 单独 90%【A】。npj Digital Medicine 2026 的 RCT 证明，同样的病例与评分表，仅仅把 LLM 从"工具"改造成"协作者"（AI 先给意见 + 观点合成），医生成绩就从 75% 升到 85%【A】。交互范式的收益大于模型升级的收益。6. 一进入动态、序贯、真实数据环境，成绩即断崖式下跌。CRAFT-MD（Nat Med2025）：GPT-4 在结构化选择题 82% → 去掉选项 49% → 模拟患者多轮对话26%【A】。MedAgentBench 上 Agent 的写操作成功率仅 54%，而查询是 85%【A】。这个"读易写难"的失效模式，是所有想让 AI 回写 EMR 的项目必须先解决的问题。7. 长思维链不是免费午餐。Med-R1（IEEE TMI 2025）发现，去掉中间推理的 “No-Thinking” 变体在医学 VQA 的域内与跨域泛化上都更好，且训练量更少【A】。结论：起作用的不是"推理本身"，而是"推理的质量与领域对齐度"。低质 CoT 会放大幻觉。8. 医疗 RAG 也不是无条件增益。Cell Reports Medicine2025 的用药审核研究发现引入 RAG未显著提升效果，部分指标反而下降【A】。但在长病历场景，RAG 用不到 8K token 就能超过百万上下文（arXiv:2508.14817）【B】——RAG 的价值在 token 效率与可溯源，不在盲目增益。9. 用药安全必须交给确定性规则层，不能交给 LLM。新加坡中央医院前瞻性交叉研究：最佳模型 Claude 3.5 Sonnet 用药错误识别准确率仅 51%；但"药师+LLM"协同达 61%，比药师独立审核的 46% 提升 32.6%【A】。正确架构是确定性 AI 在前（相互作用/过敏/剂量规则引擎），生成式 AI 在后（解释与呈现），且后者不得覆盖前者。10. 中国的合规窗口已经明确，但备案是硬约束。五部门《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（国卫办规划发〔2025〕30号）设定了 2027/2030 时间表【A】；《医疗卫生机构数据安全和个人信息保护管理办法（试行）》（国卫规划发〔2026〕6号）确立三级分类分级与"十项禁止"【A】。但现实是：截至 2026 年 3 月，医疗领域算法备案约 417 个，大模型备案仅 1 个。绝大多数机构选择"私有化部署 + 不开公网服务"绕开备案门槛——这是理解中国医疗大模型形态的关键。第一章 格局：2026 年医学大模型技术全景1.1 三条路线的分化到 2026 年，医学大模型已经明确分化出三条路线，它们的技术假设与商业逻辑完全不同：路线 A：通用旗舰模型 + 医疗后训练/产品化。代表是 OpenAI 的 ChatGPT Health / OpenAI for Healthcare（GPT-5.2 驱动）【C】、Anthropic 的 Claude for Healthcare（Claude Opus 4.5 底座）【B】。这条路线赌的是"通用能力的溢出效应"，医疗层做的是数据连接器、Agent Skills、合规封装，而非重训模型。路线 B：医学专用模型（开源/私有化友好）。代表是 Google 的 MedGemma 系列、百川 Baichuan-M 系列、EPFL 的 Fully Open Meditron。核心价值不是"比 GPT 更强"，而是可私有化、可审计、成本可控。Baichuan-M2 量化后 RTX 4090 单卡可部署，宣称相比 DeepSeek-R1 的 H20 双节点方案成本降低 57 倍【C】——这个数字本身可疑，但方向是对的。路线 C：任务专用基础模型（尤其影像/病理）。病理领域的 UNI/UNI2、CONCH/CONCH1.5、Virchow2/Virchow2G、Prov-GigaPath 等。Nature Biomedical Engineering2025 的独立评测（19 个病理基础模型 × 13 个队列 × 6,818 患者 / 9,528 切片）给出了关键结论：视觉-语言模型 CONCH 综合第一，Virchow2 紧随其后；且"数据多样性比数据量更关键"【A】。这条路线短期内不会被通用 VLM 取代。判断：三条路线不是竞争关系，而是分层协作关系。合理的工程架构是"专用编码器（路线 C）提供感知 → 通用/医学 LLM（路线 A/B）提供推理与表达"。MedGemma 1.5 虽然首次开源支持 3D CT/MRI 与全切片病理，但其 CT 发现分类仅 61%、MRI 65%【B】，仍不足以替代专用模型在弱监督临床任务上的地位。1.2 国际阵营的关键进展Google：AMIE 是 2026 年最值得关注的工作两篇同期 Nature 系论文标志着医疗 AI 从"答题"跨越到"执业"：多模态 AMIE（Nature Medicine，2026-05-14，DOI: 10.1038/s41591-026-04371-0）【A】：基于 Gemini 2.0 Flash，状态感知地在对话中主动索取皮肤照片、心电图。仿真 OSCE 远程问诊、18 位专家随机盲评，在问诊质量、诊断准确性、共情态度等绝大多数维度超越全科医生。管理推理 AMIE（Nature，2026-06-17，DOI: 10.1038/s41586-026-10764-5）【A】：从"诊断"跨越到"疾病管理"——跨多次就诊的连续推理、疗效反应、安全处方，利用长上下文做指南与处方集的 in-context 检索。对比 21 名全科医生、100+ 个多次就诊场景、5 个专科：管理推理非劣于医生，在治疗与检查精准度、指南遵循度上优于医生。同时提出 RxQA 用药推理基准（源自美英两国药典、经执业药师验证）。MedGemma 家族（开源权重）的演进值得单列，因为它是目前唯一有完整公开训练配方的医学多模态模型：版本时间关键指标MedGemma 1（4B/27B）2025-05 / 2025-07MedQA 27B 纯文本87.7%；MedXpertQA 27B-MM 仅26.8；一位持证放射科医师判定 4B 生成的胸片报告81%达到"可支持等效患者管理决策"MedGemma 1.5（仅 4B）2026-01-13MedQA 69.1；EHRQA 67.6→89.6（最具实用意义）；新增 3D CT/MRI、全切片病理（ROUGE-L 0.02→0.49，追平专用模型）、解剖定位 IoU 3%→38%；同期发布 MedASR 医学语音转写⚠️数据陷阱：部分第三方站点宣称存在"MedGemma 1.5 27B，MedQA 87.7%"，与 Google 官方 mod
