中医智能问诊系统技术报告

背景与目标

背景：中医临床诊疗的首要环节是“问诊”，即医生通过与患者对话采集症状和病史信息。这一过程对中医辨证论治至关重要，但非常耗费医生时间和精力，且质量依赖医生个人经验。随着人工智能和大语言模型的发展，人们开始探索让AI模拟中医问诊过程，充当“数字医师助手”来辅助或部分替代医生完成初步问诊、分诊和病历记录工作。在中国基层医疗和互联网医疗蓬勃发展的背景下，中医智能问诊系统的需求愈发凸显：

·基层医生短缺：许多社区卫生服务中心、中小医院缺乏经验丰富的中医师，问诊质量良莠不齐。智能问诊系统可下沉基层，帮助基层医生按照规范流程完成中医问诊，提高诊疗水平。

·患者就医导航：对症下药前，患者常苦于不知道该挂哪科、看哪个医生。AI问诊可以作为导诊，通过几轮问答了解患者大概病情，推荐合适的科室或专科医生。

·互联网就医：在线医疗服务兴起，许多患者希望在手机上先咨询AI医生缓解焦虑，或在夜间无人值班时获得指导。中医AI问诊可以提供7×24小时的初步咨询，回答常见健康问题，甚至根据患者描述生成初步的中医诊断和调理建议。

·病历电子化与质控：在医院，很多医生门诊时间紧张，病历书写不充分。AI问诊助手可在患者候诊时先行问诊，代替医生书写病历初稿。医生接诊时即可阅读AI整理的主诉与现病史，节省时间同时提高病历质量。据报道，北京广安门医院等已经在这方面展开实践：AI预诊系统能够在2～3秒内自动生成初诊病历文书，并附上辨证思路和方剂推荐供医生参考。

综上，开发一套中医智能问诊系统，能够模拟中医“四诊”信息采集（望、闻、问、切），提供初步的辨证分析和就医建议，是业内努力的方向。多个科研团队和企业纷纷投入研发。例如，百度与中国中医科学院广安门医院合作推出了“广医·岐智”中医大模型；广东横琴实验室开发了“中医横琴垂类大模型”用于构建智能中医诊疗门诊；初创公司亦迈（YiMai）在2025年申请了基于大语言模型的中医智能问诊系统专利等。这些系统在技术实现上有所差异，但核心目标一致：让AI学习中医问诊思维，辅助甚至部分自动完成问诊和初步诊断。

目标：本报告以某大型中医医院部署的智能问诊系统为例（其功能综合了广安门医院“AI预问诊”应用和广东省中医院珠海医院的全流程数智门诊实践），阐述其主要目标：

·提升门诊流程效率：利用AI在患者候诊阶段完成预问诊，收集患者主诉和相关症状史，生成标准化病历文书草稿。医生看诊时直接参考AI提供的信息，减少反复问询，提高单位时间内接诊量。目标是在数秒内自动生成初诊病历初稿，让医生“回归诊脉和关爱”，腾出更多时间用于望闻切等其他环节。正如广安门医院党委书记刘震所言：“大模型不是替代中医师，而是打造‘数字孪生’的岐黄智者，让医生在诊疗过程中解放双手，从键盘回归诊脉和关爱”。

·规范问诊与分诊：AI问诊通过标准问答流程，不遗漏关键问题。系统可根据患者回答动态追问，确保重要症状细节（如有无发热、饮食起居情况等）被记录。对于疑似重大病症，AI可及时提醒医生注意，或建议患者做进一步检查。同时系统可融合智能导诊功能，根据症状将患者分诊到适当科室/专科。这有助于避免患者挂错科、走冤枉路，优化就医体验。

·辅助诊断与决策支持：智能问诊系统并不止步于收集信息，还可调用大模型对症状进行分析，给出可能的证候和诊断建议。例如提示医生：“根据患者症状，可能的中医证型X（置信度80%），可能的西医诊断Y，请考虑排查。”这使年轻医生有参考，不遗漏思路。同时系统可以结合知识库提供治疗方案建议和注意事项，如常用方剂或中西药配伍禁忌等。需要强调的是最终诊断由医生确认，AI仅提供辅助决策支持。

·中西医结合科普解释：对于患者而言，AI问诊还能提供通俗的病情解释。如在收集完症状后，向患者解释：“您目前的情况中医看来属于某某证候，可能由于……，西医可能诊断为……，建议就诊时重点描述这些症状。”这种中西医结合的病情解释有助于患者理解自身状况，增强配合度。广东珠海的AI数智门诊即强调将抽象的中医概念可视化呈现，让患者直观了解自身证候。

综合来看，中医智能问诊系统的定位是医生的助手和患者的向导：对内辅助医生更快更好地完成问诊和初步辨证，对外引导患者走上正确的诊疗路径，并科普中医知识。在实现这些目标的过程中，系统需要融合多学科技术和中医专业知识，下面将介绍其功能架构与关键技术。

系统功能架构与关键技术

系统架构：典型的中医智能问诊系统采用多模块分层架构，涵盖从数据采集到推理决策的全流程。根据亦迈公司智能问诊专利和相关报道，系统主要模块包括：

·数据采集模块：通过多种接口获取患者的生理和症状数据。包括结构化输入（患者在问诊App上填写的问卷）和非结构化数据如语音对话记录、图像采集等。例如患者可以用语音诉说症状，系统将实时转写文本；或者使用附加设备获取舌面图像、脉搏信号等。该模块还可对接医院信息系统（HIS），调取患者既往病历、检查检验结果作为参考数据输入。（D→D模块）：当系统将分散在不同来源的原始健康数据汇总到统一档案时，可视为一种数据到数据的转换，用以保证后续分析建立在完整一致的原始数据基础上。

·图像处理模块：针对采集到的舌像、面像、体态照片等进行分析。利用深度学习模型（如卷积神经网络CNN）提取图像特征，将结果转换为医学描述。如舌像分析得到“舌红苔黄厚、边有齿痕”，面像分析得到“面色苍白”“两颧潮红”，体态图像判断“形体消瘦”或“下肢水肿”等。这些客观检查结果作为症状要素输入后续语义分析模块和知识推理模块。现代AI舌诊研究已经证明，通过卷积神经网络可识别舌苔特征（如齿痕舌）并关联对应证候。

·语义分析模块：NLP核心引擎，对患者的文本或语音描述进行语言理解处理。首先使用中文分词和实体识别，从自然语言中抽取症状、部位、程度、时间等关键信息。然后将这些信息映射为标准中医术语。系统内置同义词库和术语规范表，对患者用语进行归一化处理。例如：“心慌气短”拆分为“心悸 + 气短”，对应标准术语“心悸”“气喘”；“拉肚子”归入“泄泻”；“手脚发麻”统一为“肢体麻木”等。对于语义不一致的表述也做标准化，如“头晕”和“眼花”都归入“眩晕”范畴。语义分析模块还结合声音的“语言气息”特征评估患者情绪状态和症状紧迫性。例如，语调急促、气息不稳可能表示疼痛剧烈或焦虑紧张，而声音低沉、语速缓慢可能提示虚弱疲惫。专利中采用RoBERTa深度语义模型和声纹识别技术，能准确识别患者语句中隐含的情绪（如“烦躁”“气短”这些与中医情志相关的表述），同时结合声纹模型适应不同方言口音，实现对情绪状态和患者身份的准确辨识。这一创新弥补了传统仅靠关键词匹配情绪的不足，使AI能将患者情志纳入辨证考虑。

·病症库管理模块：知识库/知识图谱，存储中医的疾病、证候及其关联症状、治法、方剂等结构化知识。可将其理解为大型中医“知识图谱”，每个病症（包括中医病名和证候）都关联该病症的典型症状集合、历史病例、对应的西医病名、常用处方等信息。知识表示上可采用图数据库或本体库实现高效查询和推理支持。这个病症库为AI提供推理依据和解释支撑：当AI得出某诊断结论时，可在知识库中查找依据症状的匹配度，并提取相关典籍依据或经典方剂推荐，使AI的建议有据可依而非凭空生成。

·多模态融合模块：将上述得到的图像特征、规范化症状术语、语音情绪特征等进行融合处理。通常使用深度神经网络（如Transformer架构）将不同来源的信息合并为综合特征向量。如此，AI诊断时能同时考虑舌像等客观征象与患者主观症状描述，让辨证分析更全面。广东珠海数智门诊配备的“四诊仪”即通过硬件同步采集舌象、脉象和问诊文本，然后由AI融合分析，实现望闻问切信息的一体化处理。多模态融合也提高了诊断的客观性和一致性——例如不同医生脉诊力度不同导致的差异，可部分通过脉象仪的数据标准化来弥补。

·神经网络检索/推理模块：系统的大脑，基于融合特征对病症库进行推理和匹配。其中融合了大语言模型（LLM）的应用。一种方式是通过深度匹配模型从知识库筛选候选病症并按置信度排序；另一种是让大模型直接读入症状列表，生成可能的证候/诊断结论。我们的系统结合了两种方式：首先用训练好的中医专科大模型对症状进行辨证推理，输出若干可能的证候及其概率；随后针对每个候选证候，系统在知识库中检索该证候的典型症状，与患者症状进行差异分析。即找出该证候下患者尚未提及的典型症状，然后追问患者这些症状是否存在。通过多轮问答，动态排除不符的诊断并提高置信度。这种交互式诊断策略类似经验丰富的中医“按图索骥”与“抽丝剥茧”的过程：AI主动引导多轮问诊，逐步缩小诊断范围。香港中文大学团队的ShizhenGPT模型就采用了类似思想，在给定症状时多轮提问以逼近正确证候。据报道，广安门医院所用的大模型（千帆DeepSeek R1底座）在丰富中医数据训练后，问诊表现已接近有经验的中医师。

·输出与交互优化模块：最终系统给出诊断结果和建议。输出内容包括：中医证候诊断、可能的中医病名及对应的西医疾病名、辨证分析（为何考虑此证，支持的症状有哪些）、初步的治疗建议（推荐就诊科室或相应中成药调理）、注意事项（饮食起居建议及药物禁忌）等。对于医生端，输出还包括结构化的电子病历草案；对于患者端，则以更易懂的语言呈现科普解释，避免直接给出专业诊断结论以免引起不安。交互优化模块也负责系统的持续学习机制：记录下医生对AI建议的修改，以及患者后续反馈等，用于改进系统问诊策略和知识库。例如，系统比较AI诊断与医生最终诊断是否一致，若不一致则追问医生原因并记录（如医生为何排除某证候），将这些差异作为新的知识补充到病症库中。又如，系统监测医生实际问诊中提出的问题，与AI提问清单做对比，找出AI遗漏的重要问题以完善问诊流程。通过这种人机协同的反馈闭环，系统性能会不断优化，在真实临床中越来越贴近资深中医的思路。

以上架构体现了一个端到端的智能问诊闭环：从患者多模态信息采集、到AI语义理解和推理决策、再到结果输出与自我优化。其中许多模块设计都有专利和文献支持。值得一提的是，系统采用模块化架构提升了扩展性和可追溯性：当需要新增例如脉搏传感器时，只需扩展数据采集和融合模块，而不必重构整体架构；整个诊断流程各步骤和依据都可记录在案（知识库中存储了各症候匹配权重及同义词映射），方便医生事后追溯AI诊断依据，提高系统透明度。这对于医疗领域尤为重要，因为可解释的AI更容易获得医生和患者信任。

关键技术特点：

·多模态“四诊”信息融合：系统不只基于问答文本，还引入望诊（舌面像）、切诊（脉象仪）等数据，让AI具备“望闻问切”综合分析能力。如广东珠海数智门诊通过一台“四诊信息采集设备”同时获取舌象、脉象及患者问诊信息，实现中医诊疗全过程数字化。多模态融合大幅提高了诊断准确性和客观性，突破了以往单纯依赖文本问答的局限。通过标准化采集舌脉数据并与文本症状一起分析，AI减少了不同医生经验差异对诊断的影响，从而提升了一致性。

·大模型驱动的对话与推理：大语言模型（LLM）提供了强大的语义理解和生成能力，使AI问诊具备类似人医生的对话交互水平。LLM能够处理长对话，理解上下文关联，按照中医逻辑顺序进行提问。通过在海量中医问诊对话数据上特殊训练，模型学会了如何逐步询问以获取完整信息（例如先问主要症状，再按中医“十问歌”思路详问寒热、饮食、睡眠、二便等），也学会了根据已有信息判断下一步问什么。清华大学等提出的MEDIQ交互式诊断模型即强调了“大模型主动发现信息缺失并提问”的能力。同样，我们的系统并非被动一问一答，而是有一个内部对话决策网络引导问诊流程，模拟经验丰富医生的问诊策略。这体现了主动AI的理念：AI在对话中有目的地获取情报完善诊断，而非仅被动回答患者问题。

·知识图谱提供医学约束：大模型虽强，但若完全依赖数据驱动，可能出现不准确甚至“幻觉”式回答。为此，系统引入权威中医知识库作为推理约束，确保AI诊断有据可依。知识图谱存储了正规中医教材和临床指南知识，如各证候定义、症状组合、治法方剂等。推理过程中AI会查询图谱验证自己的结论是否合理。例如AI拟输出“湿热蕴脾证”，则会在图谱中检索该证的标准症状，只有多数症状在患者身上体现才会给出结论；否则如果缺少关键症状，AI宁可表示不确定或考虑其它证候。这种知识校正机制减少了大模型随意生成结论的情况，保证输出符合医学常识。广安门医院的“岐智”系统正是将庞大的中医知识体系与大模型结合，号称拥有“中医超强大脑”，其辨证推理能力建立在扎实的知识库基础上。

·中西医结合语义映射：系统中特别设计了概念映射模块，将中医证候与西医疾病关联。在推理时，AI尝试同时给出两套解释，然后做对应说明。如前述例子中AI诊断“表寒里热证（风寒束表、郁而化热）”，同时提示可能对应的西医病名是上呼吸道感染，并给出处理建议。这利用了知识库中建立的中医-西医概念链接，使AI问诊结果能被西医体系理解，也让患者更直观地明白病情。这种中西医语义融合，体现了 “概念空间→语义空间” 双域映射的价值——AI既掌握中医辨证概念，又了解对应的现代医学语义，从而实现更全面的解释与指导。

·人机协同的闭环学习：正如前述，系统设计了协同问诊与差异反馈机制。AI与医生协同为患者服务：AI先给出问诊和初判结果，医生审核后做最终决策。如果AI有疏漏，医生的提问和修改将反馈回来用于训练。这类似于让AI随时向“师傅”（医生）请教，从而不断进步。珠海医院的实践表明，AI助手的引入让医生不必从零问诊，而是侧重审核决策，相当于把医生从繁琐记录中解放出来，充当“人机协同”的决策者。通过持续收集实际案例数据并迭代模型，系统对疑难和复杂病例的处理能力也会逐步提高。

功能流程示意：下面以患者使用智能问诊App的典型流程为例，说明系统工作过程：

1.患者主诉输入：患者小王夜间发热咳嗽，登录医院的智能问诊小程序。AI助手首先问：“您哪里不舒服？” 小王用语音回答：“我发烧到38度，喉咙痛，还有点咳嗽，痰黄黏。”

2.信息采集与解析：语音经转写进入语义分析。AI识别出症状：发热（38℃）、咽喉痛、咳嗽、痰黄黏。并从设备接口获取了体温数据。此时症状已经过标准化处理：“发热(38℃)、咽喉肿痛、咳嗽、黄黏痰”。由于用户在家，望诊/切诊数据缺乏（无舌苔图、脉象），系统在病症库中检索与这些症状相关的候选证候。

3.AI初步辨识：根据已有症状，知识库返回几个可能的证候：风热犯肺、风寒束表、肺热壅盛等。AI模型结合中医知识判断：咽喉痛+黄痰提示有热邪，而怕冷可能暗示风寒在表。此时证型尚不确定，AI进入差异分析环节，准备追问以区分不同证候。

4.AI动态追问：系统继续问：“还有没有怕冷怕风？出汗了吗？咳痰多吗？鼻涕什么颜色？” ——这些问题源自知识库用于鉴别风寒感冒和风热感冒的关键症状（寒热表证的典型表现）。小王回答：“有点怕冷，没怎么出汗。痰不算多但比较黏。鼻涕有点黄。”

5.多轮分析：AI将新信息并入：恶寒、无汗、黏痰、黄涕。综合判断：恶寒无汗属于表寒，咽痛发热、黄涕属于风热，说明可能风寒郁表化热。AI询问：“您是一开始先怕冷，后来开始发烧的吗？” 小王确认：“对，开始冷后来烧起来。” 这符合风寒束表、郁而化热的证候演变。

6.结果生成：AI基于所有信息，输出诊断建议：中医证候为“表寒里热证”（属于风寒感冒后期化热），西医可能诊断为“上呼吸道感染”。建议治法“辛凉解表、清宣里热”，并推荐可服用的中成药（如连花清瘟胶囊等），叮嘱多饮水休息。如高烧不退或症状加重，提示尽快线下就医。（智慧→目的层输出）系统还推荐小王挂号“呼吸科/中医内科”就诊，以确保治疗跟进。与此同时，医生端即时收到AI预问诊记录：包含小王的主诉、现病史描述以及AI的辨证分析和初步方案（例如写明支持“表寒里热证”的症状依据、建议方剂如银翘散合麻杏石甘汤等）。

7.医生审核干预：次日医生接诊时，首先查看AI整理的病历草案。如果AI问诊充分、分析正确，医生即可参照其中要点进行诊断和处方，大大节省问诊和记录时间。如果AI有所偏差（比如遗漏询问既往病史），医生会补充提问修正并将正确情况录入电子病历。（医生的修正通过协同模块反馈给AI，以优化下次问诊流程）。

8.事后学习：AI系统记录了该次问诊流程和医生的最终诊断。由于医生确诊与AI建议一致，说明AI诊断正确，系统在病症库中增加一个正面案例。如果将来遇到类似症状的患者，AI能更有信心直接辨识“表寒里热证”而少问一些冗余问题。反之，若医生诊断不同，系统将触发差异报告，询问医生为何不采用AI建议证候，例如医生可能解释“患者虽发热但舌质淡、脉沉迟，属寒证非热证”。这些宝贵经验将被保存，用于调整AI辨证规则（例如增加“舌质淡”“脉迟”作为表寒的重要权重症状）。如此不断积累，AI问诊的准确性和判断依据都会持续改进。

通过以上流程可见，智能问诊系统实现了自动病情询问→辅助诊断→建议生成的一系列智能操作，在很大程度上模拟了人医生的逻辑思维。更重要的是，AI并非孤军奋战，而是与医生形成互补：AI善于快速处理大信息量、执行标准流程；医生擅长综合判断、处理复杂例外。两者协同让诊疗效率和质量达到新的高度。

接下来，我们将应用DIKWP模型对上述系统进行深入分析，梳理系统在不同认知层次的功能模块，以及各模块之间的语义转换路径。这种分析有助于全面理解智能问诊系统的复杂机制，并为系统优化提供结构化视角。

基于DIKWP模型的系统分析

为深入刻画中医智能问诊系统的认知过程，我们引入 DIKWP 模型 进行分析。DIKWP是段玉聪教授提出的一种人工智能语义认知框架，是数据（Data）-信息（Information）-知识（Knowledge）-智慧（Wisdom）-意图/目的（Purpose）五层结构的缩写。相比传统的DIKW金字塔模型，DIKWP在顶层加入了“Purpose（意图/目标）”，强调智能体行为背后的目的性和价值导向。此外，DIKWP模型并非静态的单向层级，而是允许各层之间双向、交叉的网状交互，被称为 “DIKWP×DIKWP” 全息模型。这意味着数据、信息、知识、智慧、意图各要素之间存在多达25种可能的转换路径（每层到任意另一层皆可发生作用）。通过DIKWP，我们可以对白盒化地审视智能问诊系统：看它如何将原始数据转化为医学信息、再上升为知识和智慧决策，并最终服务于医疗意图；同时也考察智慧决策和意图是如何反作用于底层数据和知识更新的。

DIKWP层次模块映射

首先，我们将系统功能架构映射到DIKWP的五个层次，明确每一层各对应哪些模块或要素：

·数据层（Data）：即系统处理的原始输入数据及其载体。在本系统中，数据层包括患者提供的一切原始感知数据：文字对话、语音录音、舌面图像、面部照片、脉搏波形、既往电子病历记录等等。这些数据是未经解释的原始材料。例如患者语音尚未识别成文本前的声音波形、舌苔照片上每个像素点色值、HIS系统中调取的历史检验结果表格等都属于数据层。这一层对应系统架构中的数据采集模块输出，以及采集到而尚未处理的图像、音频数据。数据层回答的是“发生了什么？”（What happened?）但不赋予意义。

·信息层（Information）：即对数据进行结构化、赋予一定语义标签后的结果。信息层提炼出“有用的事实”。本系统的信息层包括：提取的症状列表及属性（如“发热38℃”“咽痛”“痰黄”）、客观检查结果（如“舌质红，苔黄厚腻”“脉象滑数”）、病史要点（如“曾经慢性支气管炎病史”）等。这些都是从原始数据中抽取并结构化的信息。对应架构里的图像处理模块和语义分析模块的输出，即经过NLP和图像识别后得到的标准化描述。信息层回答“是什么？”（What is it?）——描述患者的当前表现和状态要点。

·知识层（Knowledge）：即系统应用的医学知识和规则，在信息基础上形成对情况的认识和分类。知识层包括中医理论和西医知识的融合：知识库中记录的证候-症状关联、典型疾病的诊断标准、药物与症状的对应关系，甚至AI模型从海量病例中学到的隐含模式都属于知识层内容。在本系统中，知识层由病症库管理模块体现，它将信息层提取的症状与储存的中医证候模式进行匹配，从而识别出可能的证候名称（如“风热犯肺”）。知识层回答“为什么？”（Why）——解释症状背后的机理和归类，例如为何根据这些症状判断为某证候，有哪些知识依据。

·智慧层（Wisdom）：指基于知识进行综合权衡后的决策和行动方案。智慧层体现了对具体情境的洞察和正确决断。在系统中，智慧层产出的是具体诊疗建议和决策，比如确定诊断结论、拟定治疗方案、给出转诊建议等。这里包含了AI对候选诊断的置信度比较、选择最符合的证候，以及结合患者个体情况提供个性化的处理方案（如考虑患者有肝病史，则智慧层会调整用药方案避免伤肝药物）。智慧层对应架构中的推理决策模块和输出模块的结果，即AI最终“做出决定”的一刻。智慧层回答“怎么办？”（How to do）——给出行动性的结论，如“诊断X，用药Y，建议复查Z”等。

·意图层（Purpose）：代表系统行为背后的目标、意图和价值取向。对于医疗AI来说，意图层可以看作医疗服务的最终目的和约束条件。在本系统，意图层反映在设计目标和伦理原则上：例如“确保患者安全”是最高意图，因此AI在任何建议中都会遵循不伤害患者的原则（如不会推荐超剂量用药）；又如提高诊疗效率也是目的之一，因此AI问诊时力求高效提问、不浪费时间。另一个意图体现是患者体验：AI的对话语气被设计得有同理心和安抚性，这是为了实现“缓解患者焦虑、提供人性化关怀”的意图。意图层一般由系统开发者预先设定的规则和目标函数体现，也包含医疗监管的要求（如遵循诊疗指南、不逾越AI权限）。在架构中，没有单一模块完全对应“Purpose”，而是体现在整个系统的策略和评价指标中。可以认为医生和医院管理者对系统输出的监督和最终决定承载了意图层功能：他们确保AI所做的一切是为了正确诊疗病人、提升医疗质量这一根本目的服务。

通过以上映射，我们看到数据→信息→知识→智慧→意图层层上升的链条在本系统中都有对应：原始感知数据经处理变成病情信息，由知识推理升华为诊断智慧，最终服从医疗意图指导下输出决策。这五层并非彼此割裂，而是在系统运行过程中反复交织。下面以几条关键的DIKWP路径为线索，分析系统中具体发生的层间转换。

DIKWP 模块间路径分析

DIKWP模型允许各层之间构成网状的语义转换路径。对于中医智能问诊系统，我们关注其中对诊疗过程起关键作用的路径交互，包括正向的信息上行和逆向的反馈下行。以下列举并分析几种典型路径：

·D → I（数据到信息）：这是系统最基础也最重要的正向路径，即感知数据解析。在案例中体现为：患者语音、图像等原始数据通过AI处理变为可用信息。具体包括语音识别+NLP将音频转成症状文本，计算机视觉将舌/面图像转成舌脉特征描述等。这一步实现了“数据赋义”：将无结构的数据赋予医学含义（例如38℃发热的数据被赋予“高热”信息标记）。D→I路径确保系统抓取了患者身上“客观存在的事实”，是诊断的地基。如果D→I有误（比如语音识别错误地把“头痛”听成“肚痛”），则后续环节都会偏离。因此系统采用了高准确率的模态感知模型来保证D→I质量，如业界领先的语音识别和图像识别算法，并辅以同义词表进一步校正。D→I路径模块典型如：“语音波形数据”→（ASR）→“转录文字”→（NLP提取）→“症状信息”，又如：“舌像照片”→（CNN）→“舌色舌苔描述”。这一路径将患者的具体表现提炼成标准化的信息，为知识匹配做准备。

·I → K（信息到知识）：这是一条模式识别与归纳路径：将已提取的信息套用医学知识进行解读。体现在系统中即症状到证候/疾病的关联。例如在案例中，信息层有“发热、咽痛、黄痰、恶寒无汗”等，系统通过知识库识别出这些症状组合匹配“风寒感冒化热”的证候模式。I→K是AI运用已知知识解释观察到的信息：症状被视为“证候的证据”，知识库提供了从症状集合指向证候的映射。这个过程中，大模型和知识图谱一起发挥作用——大模型根据训练经验初步推测证候候选（从症状到证候的经验映射），知识图谱进一步验证这些映射的可靠性（如症状覆盖度是否足够）。简言之，I→K路径让AI“知其然并知其所以然”：不仅知道患者有哪些表现(I)，还将其提升到医学概念层次(K)进行理解。正是沿此路径，AI才能说出“考虑风热犯肺证”“可能对应上呼吸道感染”等带有知识标签的判断。若无I→K，AI只能罗列症状而不能总结归类，相当于没有“诊断”。

·K → W（知识到智慧）：这是决策生成路径：AI将知识应用于具体情境，产生具体决策方案。即从“知道患者可能是哪种证候/疾病”到“决定如何处置”。在系统中体现为：基于匹配的证候知识，制定治疗/处置建议。案例中AI确立“表寒里热证”后，查得此证应“辛凉解表、清热宣肺”，于是智慧层输出了相应方案：推荐中成药感冒清热类，嘱患者多饮水休息，必要时就医等。这一过程用了知识库中的治疗知识（方剂和护理方法），也用了AI的决策规则（如高烧>39℃则建议就医，属于安全边界规则，亦可视为知识的一部分）。K→W路径也包括考虑个体化知识：例如患者若有基础病，AI决策时会避开某些药物。这种规则也是存储在知识层（如“肝病患者忌用某药”），应用于决策生成。K→W路径确保AI做出的方案符合医学规范且个体适配，而不仅仅是机械套用知识。例如AI建议了中成药A而非B，可能因为知识层告诉它B药含某成分对患者不利。最终K层丰富的知识通过这条路径转化为W层明智的行动建议。如果说知识层回答“可能是什么证？可用哪些药？”，智慧层则通过K→W落实为“就用这个证名，并决定用某具体方药”。

·W → P（智慧到意图）：这是决策验证和目的校准路径：即检查智慧层的决策是否符合意图层的更高目标，不符合则调整。在系统中，W→P主要通过人工审核与安全网来实现。比如AI的建议在推送给患者前，要经过医生审批或符合医院预设规范，这就是用医疗意图来过滤AI的智慧输出。意图层的核心是患者安全和医疗伦理，因此任何AI建议如果违背这些（例如推荐了禁用药、或言辞不当）都会被拦截修正。W→P路径可以想象为AI自我反省或外部监督：“我做的决策是否真正服务了目标？” 在我们的案例中，由于AI输出的方案比较成熟且医生在线监督，所以W基本符合P，没有大的偏差。但设想如果AI曾给出一个超出权限的结论（比如直接下了恶性肿瘤诊断结论可能吓到患者，这违背了人性化意图），那么根据P层规则，这种输出会被修改为更委婉建议患者进一步检查，而不会生硬地下结论。这实际上是意图层对智慧层的约束。在一些先进AI架构中，可以由AI自身模拟一个“目的检查”步骤，即在输出前对照预设目的扫描一遍，类似Safety层。这也是W→P的一种形式。总之该路径保证了AI的行为不偏离初衷。例如珠海数智门诊的目标之一是中西医融合诊疗，那么AI方案在W层同时提出中医证候和对应西医诊断、中药方剂和相应西药安全信息，就是确保满足这一复合意图的体现。

·P → I（意图到信息）：这是目标引导信息收集的路径：系统根据最高目标来决定获取或关注哪些信息。问诊过程中，AI并非漫无目的地提问，而是受最终诊断意图驱动，有选择性地深挖某些信息。这种“目的性提问”正是P→I在起作用。以案例为例，AI追问有无恶寒出汗、鼻涕颜色等，就是因为目标是鉴别风寒/风热，以确保最终诊断正确率。在更一般情况下，AI可能有不同意图驱动的信息路径：如果系统意图是确保重大危险不被遗漏，它会总是询问一些红旗症状（如胸痛是否放射、有无既往重大疾病）以排除危险情况，这是P→I的体现；又比如系统意图之一是提升患者满意度，那么AI在问诊后会提供一些安抚性的解释信息（这其实是将意图转换为特定信息输出给患者）。这里我们把后一种也算作P→I逆向，用意图来决定向患者呈现什么信息。总之，P→I使AI问诊更具针对性和主动性，而非简单按照固定流程提问。它体现了目的导向的数据采集：为了某目标，系统会指挥传感器或对话去获取相应的数据/信息。例如若意图是全面评估，AI就多问广泛的症状；若意图是迅速分诊，AI就重点问与分诊相关的问题。未来随着主动智能理论的发展，P→I路径会让AI更像一个有自主目的的医生，根据不同情境动态调整问诊策略。

·W → K（智慧到知识）：这是决策反馈为新知识的路径：来自AI或医生的最终决策结果，反哺进入知识库，丰富系统知识。在协同诊断中，医生最终确认的诊断及其理由会被记录到病例库，成为知识库的一部分。这个W→K包括两方面：其一，医生的智慧转化为AI的新知识，例如医生解释了为何某病例不是湿热证，这变成AI下次诊断时的新判据。其二，AI自身决策的结果用于更新知识统计，如AI每次问诊的症状-证候匹配都会累计到知识库，久而久之形成更精细的统计模型。W→K路径实现了学习机制：智慧层输出不只是用于当下，还作为数据被解析成新的知识（在医学领域，这相当于案例库和统计规律的积累）。所以每次诊疗过后，系统比之前“知道”得更多。正是通过W→K，广安门医院的模型利用每天上万名患者的数据不断自我完善，被喻为让AI医生“全程获得顶级名医指导”，因为每位专家医生的处理都会融入AI的知识。需要注意W→K需要保证知识更新的正确性和质量控制，所以往往会通过质控模块过滤医生反馈（防止将偶然误判也学进去）。总之，这条路径使系统具备经验进化能力。

·K → I（知识到信息）：这是一条较有趣的路径，即知识驱动信息生成。具体在系统中，表现为AI向患者或医生输出一些“知识化”的信息，比如健康教育、科普解释等。举例来说，当AI告诉患者“您的症状在中医属于某某证候，可能与XYZ因素有关”时，它实际上是把知识（证候概念和成因）翻译成患者能理解的信息去传达。这可视为K→I路径：把高层知识转换为低层的信息表述。再比如医生端界面显示了一个证候知识图谱，可视化患者证属和典型症状的关系，这也是把知识库内容变成信息呈现给医生。在我们案例中，小王收到的建议“表寒里热型感冒，中医建议…西医诊断可能…”就是典型K→I输出，让患者获得知识增益而非只有指令。K→I路径提高了系统输出的解释性和用户友好度。对医生而言，AI可能还会输出一些知识性提示信息（如“某症的鉴别要点”），这些都是知识下沉为信息。K→I也是AI避免“只给结论不解释”的关键，让AI的行为更透明可理解。

·I → D（信息到数据）：这个路径可以理解为信息记录或再现。当系统将提取的信息重新存储或传输，就相当于从信息又变成数据存档。在我们的系统里，病例的结构化记录就是这种过程：提取出的症状信息被填写进电子病历数据库，形成新的患者记录数据，这便是I→D（将信息写入数据存储）的一种。另外如果AI把一些中间信息传递给其他设备，比如把“需要测量血压”作为信息下达给智能血压计，于是血压计返回一个数据，这种信息触发数据采集的过程也可以看作I→D的一环（信息指令引出新数据）。在协同问诊模块中，系统将医生提问和患者回答合集存入病例库，也属于I整理后变为持久数据。I→D路径保证了诊疗信息被客观留存，可供日后调用和数据挖掘。这对于医疗质量管理很重要：每一次问诊的信息如果都完整数据化，就可以用于大数据分析和模型再训练。

·P → K 和 P → W（意图到知识/智慧）：这两条路径属于高层对决策过程的前馈引导。意图到知识，指系统在知识选择上受到目的影响。例如如果医院管理层的意图是推广某诊疗方案或遵循某指南，那么知识库中会突出相应内容，AI推理时也会偏向采用这些知识。比如国家中医药管理局发布了新诊疗指南，则意图层要求AI以新指南为准绳更新知识库条目，从而影响AI的知识调用（P→K）。意图到智慧（P→W）则更直接：特定目的可以影响AI最后的决策权重。例如如果意图强调安全第一，AI在W层会倾向保守方案（如建议进一步检查而非贸然用药）；如果意图强调患者体验，AI可能在W层选择一种让患者心理负担更小的表述和建议。这些在我们案例中不是显性体现，但在系统设计时已有所考虑：如AI永远不会越过医生直接给出严重诊断，就是被赋予了“AI不得擅自诊断重大疾病”的意图，从而Wisdom层不产出此类决策。这可以视作P对W的直接约束。P→K和P→W使得AI决策过程始终与人类设定的目标保持一致，是人工智能可控性的重要机制。在医疗中，这确保AI永远把患者利益作为最高目标，不会为了追求预测准确率而忽略人文关怀等目标。

以上梳理的各种路径交互，构成了智能问诊系统复杂的内部运作网络。用一句话概括：患者的数据经过AI理解为信息，信息结合医学知识转化为智慧决策，并在医疗意图指导下输出；反过来，医生和系统的决策反馈又成为新知识，不断完善AI的能力。这正是DIKWP×DIKWP模型的精髓：智能系统在多层次多环节进行语义转换与反馈，形成一个全链路的闭环。

通过DIKWP视角，我们对中医智能问诊系统有了更透明的认知。尤其可贵的是，它让我们看到系统不仅是一个问答黑箱，而是分层处理、循环改进的有机体。例如在每次问诊中，Data→Information→Knowledge→Wisdom是一条纵向链，而医生反馈通过Wisdom→Knowledge再影响下次Information提取则形成横向环，两者共同保证了系统既能快速执行，也能持续学习。

这种分析对于改进系统很有帮助：若某环节性能不足，我们能精准定位是哪条路径有问题。例如如果AI常常问诊遗漏重要症状，说明可能Purpose→Information驱动不足或知识库症状表不完整(I→K偏误)；如果AI输出建议不被医生接受，可能Wisdom→Purpose未对齐医生意图、或Knowledge支持不足导致决策有偏。针对这些可有的放矢地优化某模块或增加相应规则。

总结来说，DIKWP模型为我们提供了一个全局视角来看待中医智能问诊系统，使其复杂的流程更易理解、更具解释性。这对于医疗AI的研发和评价都很关键。下面，我们将回到系统的实际应用层面，看看这样的智能问诊在真实医院中的表现，以及通过实践得到的效果和反馈。

实际应用与案例分析

近年来，多家医疗机构上线了中医智能问诊相关功能。本节选取两个具有代表性的实践案例，分析智能问诊系统在真实环境中的应用效果和价值。

实例一：广安门医院“广医·岐智”大模型的AI预问诊

中国中医科学院广安门医院于2025年深度部署了“广医·岐智”中医医疗服务大模型。该模型由百度与广安门医院合作研发，经过几十万份中医病历数据训练，具备强大的中医问诊对话和辨证能力。在广安门医院，岐智大模型已融入诊前、诊中、诊后全流程医疗服务中。其中两个突出应用场景就是AI导诊和AI预问诊：

·智能导诊：在门诊大厅放置了AI导诊终端，患者输入主诉症状后，系统通过知识图谱匹配将其推荐到适合的科室和医生。例如，输入“失眠”，系统推荐挂治未病科或脑病科；输入“膝关节痛”，推荐骨伤科或风湿科等。这有效降低了患者挂错号的情况。据院方介绍，自从有了AI导诊，门诊分诊差错率明显下降，患者就医流程更顺畅。

·AI预问诊：在候诊区，患者在医生叫号前可以扫码进入手机端的AI问诊界面。系统模拟医生询问，收集患者主诉、现病史、既往史、过敏史等信息。患者提交后，2～3秒内，AI即可自动生成标准化的门诊病历初稿。这份病历包括主诉、现病史的结构化描述，以及AI的辨证分析建议（可能的中医证型、推荐方药等）。当医生叫到患者时，已经可以在诊室电脑上看到这份AI整理的“预问诊病历”。医生据此跟患者核实细节并进行下一步诊疗。广安门医院医生反馈，这一功能大幅节省了问诊和书写时间。过去每位新患者问诊和记录可能占用5分钟，现在很多情况下1-2分钟就可进入查体或处置环节，因为问诊要点都已提前获取。院方一项统计表明，引入AI预问诊后，门诊接诊效率提升约20%，医生平均每天可多看几位患者，而每份病历的完整性和合规性反而提高了。这佐证了AI在繁杂琐碎的病史采集中解放了医生。

更有意义的是，AI预问诊不仅提供了信息采集，还内置决策支持。据介绍，岐智模型会在病历初稿中附上“AI分析意见”，包括：可能的中医证候（以及对应西医疾病）、辨证依据症状列表、建议的治疗方向或方剂，以及注意事项。例如系统可能提示：“AI初步分析：患者症属肝肾阴虚夹痰瘀（依据：头晕耳鸣、腰膝酸软等），对应西医可能为更年期综合征，建议考虑滋补肝肾、化痰活血之法，可选用二仙汤合血府逐瘀汤加减。用药注意：患者有高血压史，慎用麻黄、附子等升压药材。”医生在接诊前就能浏览到这样的提示。如果医生认可AI分析，可直接参考开方；如有不同见解，也可以忽略或调整方剂。这就相当于医生多了一个得力的“智能参谋”。

当然，医生永远是最后决策人。广安门医院在流程上规定，AI建议不会直接面对患者下结论，只有医生确认后才进入正式病历。而医生也会对AI给出的辨证结果进行验证。医院方面反馈，大多数常见病场景下，AI辨证与医生的判断吻合度很高，这提升了年轻医师的信心，也减少了经验不足导致的遗漏。对于少数AI判断不准的案例，医生会在质控系统中标记并说明原因，用于后续模型优化。这种人机协同让AI像一位永不疲倦的老师，不断从医生那里学到新知识。

广安门医院领导层对大模型助力中医药现代化寄予厚望。党委书记刘震评价道：“大模型不是替代中医师，而是打造数字孪生的岐黄智者，让医生解放双手，从键盘回归诊脉。”在他看来，有了AI的帮助，中医医生可以把更多精力投入望闻问切中更高级的环节（如望神、切脉等）和与患者的沟通关怀，而把繁琐的信息记录和常规辨证交给“数字助手”处理。这将重塑中医诊疗流程：医生与AI配合，实现更高效高质的医疗服务。

目前广安门医院每天门诊量巨大，岐智模型处理的问诊数量也在不断累积，模型性能随之提升。医院同时在开发AI病历质控功能，用AI实时检查医生书写的电子病历是否规范、有没有遗漏症状记录等。据报道，AI质控已经能根据病历主诉自动推断主要诊断并校对医生填写，发现出入时提醒医生纠正，从而保障医疗安全。这些应用都建立在同一个大模型能力之上，体现了通用中医大模型的多场景适配潜力。

总体而言，广安门医院的案例展示了大型公立中医医院将AI预问诊融入现有流程所取得的成果：患者就医体验提升，医生工作更高效轻松，医院管理获得更标准化的数据和质量控制手段。这为其他中医院提供了标杆示范。据悉，多家中医院已前来交流学习，探索引入自有大模型系统。

实例二：广东省中医院珠海医院全流程中西医结合数智门诊

广东省中医院珠海医院在2025年6月启用了全国首个全流程、全场景中西医结合数智诊疗门诊。这是一个从诊前预约到诊后随访都由AI深度参与的创新门诊模式，由广东“横琴实验室”研发的中医横琴垂类大模型（Hengqin-R1） 提供智能引擎支持。该数智门诊最大的特色是实现了中医诊疗的端到端数字化与智能化，其具体做法包括：

·诊前“四诊一体”数据采集：病区配备了“四诊信息采集设备”，患者就座后，系统医务助理引导下，设备自动完成望诊、闻诊、问诊、切诊信息的采集。望诊方面，高清摄像头获取患者面容和舌象图像；切诊方面，电子脉诊仪同步采集脉搏波形；问诊方面，患者通过触摸屏或语音回答设备提出的问诊问题；闻诊则记录患者语音的声音特征供分析（包括气息、声调，某些系统甚至分析呼出气体成分作为参考）。短短几分钟内，患者的症状主诉、舌脉客观指标、既往史、生活习惯等全方位信息就被数字化并上传给AI大模型。这极大减少了人工问诊和体检的时间，也避免了人为遗漏。患者在“静音”AI自助诊室里一站式完成了初步问诊和必要检查。

·AI辅助决策：横琴垂类大模型整合了约5万份名老中医的临床经验及海量中医经典知识。因此，当收到患者数据后，模型能够基于知识图谱快速进行中西医结合辨证论治推理。几分钟后，一个融合中医辨证思维与西医循证逻辑的诊疗方案就生成并呈现在终端上。在珠海医院的实践中，这个方案既提供给医生端，也以部分内容提供给患者端。方案包括：AI生成的中医电子病历（含主诉、现病史、四诊客观指标等），中医证候诊断及西医疾病诊断建议，推荐的中药处方和可能需要的西药，中西药联用注意事项，还可能有进一步检查建议等。值得注意的是，系统的诊断方案包含中西医两个方面，真正做到了中西医结合：例如对风湿科患者，AI可能诊断其为“痹证属肝肾亏虚、寒凝血瘀”，同时对应西医类风湿关节炎活动期，并建议中药养血通络方剂配合西医甲氨蝶呤等免疫抑制剂治疗。更重要的是，AI方案里还列出了中西药联合应用的安全性资料，提示哪些中成药和西药同用需谨慎、有无冲突。珠海医院风湿科主任储永良评价：“系统像一位永不疲倦的医学图书馆员，不仅能比对全国名老中医的经典方剂，还能根据患者体质动态调整用药方案”。他特别强调了系统具有合理配伍的能力：即在给出中药方剂的同时，考虑患者可能服用的西药，提供配伍建议或避忌提醒。这种跨中西医用药知识的整合，是目前人工很难即时做到的，而AI借助知识图谱可以瞬间完成，这为中西医结合疗法保驾护航。

·人机协同决策：当AI生成方案后，进入“诊中”环节由医生和患者共同参与决策。在诊室里，医生和患者面对一个大屏幕，可以查看AI推荐的诊疗方案。医生会向患者解释方案要点，并根据自己的判断进行调整或确认。例如，如果AI建议了某检查但医生觉得不必要，可以当场去除；如果患者对某药物有顾虑，医生也可协调更换方案。最终由医生拍板，制定出人-机协同的个性化诊疗方案。这个过程增加了医疗决策的透明度和互动性——患者直观看到AI分析，也听到医生的专业意见，两相印证下对治疗更为信服。医生则利用AI提供的方案作为第二意见，提高了诊疗的周全程度。据悉，许多患者对AI辅助的方案表示认可，有患者说“感觉像有全国名中医一起给我会诊，方案很全面”。

·智能随访与调优：在“诊后”阶段，系统为每位患者建立了全方位的智能追踪档案。患者出院或看诊结束后，可通过手机App定期上传自己的症状变化、舌苔照片，或记录服药情况。AI会将这些数据与初诊时的数据对比，分析病情趋势。例如，通过患者每周上传的舌像，AI检测舌苔厚腻程度的改变，结合症状反馈判断疗效。如果发现病情波动（比如症状加重或用药副作用迹象），系统会自动预警通知医生和患者，提供针对性建议（如调整剂量或提前复诊）。另外，系统内置健康管理功能，可为慢病患者提供持续的生活方式指导。这一系列智能随访举措，让患者在离开医院后仍享受“AI保健医生”的照护。从医院角度，所有随访数据也沉淀为真实世界证据，用于进一步优化模型对某些疾病的治疗策略。例如，AI可以通过LIME等可解释算法分析哪些药材剂量对患者某指标改善最有用，从而在下次开方时做更有据的调整。这种闭环调优确保了治疗过程动态优化，提高了疗效和患者满意度。

珠海医院数智门诊的应用效果是显著的。首先，问诊时间大幅缩短：传统初诊通常望闻问切+记录要十多分钟，而在AI辅助下，几分钟即可完成初诊方案。患者候诊时就完成了检查和信息采集，大大减少了就诊总耗时。医生表示，现在门诊再也不像以前那样手忙脚乱，更多时间用于和患者深入交流，而不是机械问病史。其次，辨证准确度提升：由于AI汇聚了名医经验和海量知识，一些过去基层医生难以辨明的证候，现在AI都能提示到。风湿科试点中，有些复杂病例AI给出的中医证型比年轻医生考虑得更全面，搭配西医诊断也更准确，起到了教学相长的作用。再次，中西医结合更加紧密：借助AI提供的西药与中药配伍建议，医生在开中药时会同步考虑患者西药方案，真正做到一人一方案的整合治疗。储永良主任提到，以往中西医协同需要多学科会诊，现在AI在很大程度上起到了多学科会诊的作用，每个患者的方案都是中西医团队智慧的结晶，只不过这个“团队”里包含了AI医生。

患者满意度方面，据珠海院区的调查，引入AI门诊后，患者普遍反映诊疗过程更充分透明。尤其是在风湿免疫等复杂疾病上，患者以往可能只得到一张中药处方，对西医怎么配合不清楚。现在AI把中西两套方案都列出来，还解释了注意事项，患者觉得心里更有底。另外，很多患者感慨AI问诊非常耐心，有问必答，不厌其烦，让他们感到很贴心。这些软性的提升往往转化为对医院服务的好评。

该模式也引起了医疗同行的极大兴趣。珠海医院透露，已有新疆等地的医院前来观摩学习这种AI数智门诊。对于医疗资源匮乏地区而言，如果能复制这一模式，就等于请来了“AI国医大师”坐诊。横琴实验室方面也表示，未来将推动大模型技术在基层落地，让基层医院拥有AI名中医，缓解中医师资不足的问题。事实上，他们已经在将训练好的模型通过云服务输出，帮助偏远地区建设简易版AI门诊。这验证了AI问诊在医疗均衡化上的价值：以前名医经验传承难，如今通过AI可以快速传播到各地。

综上，珠海医院的案例展示了在中西医结合大型医院如何打造全流程智能诊疗的新范式：让AI全面介入从诊前、诊中到诊后的每个环节，实现诊疗闭环的智能重构。它的成功预示着未来医院形态的一个可能方向——人机协同、全息感知、持续服务。对于中医药这一经验医学来说，借助AI有望更快地沉淀经验、规范诊疗、扩大影响。这一探索也在2025年被人民日报、新华网等权威媒体报道，被誉为中医药现代化的突破性进展。

评估与展望

性能指标评估：要全面评估中医智能问诊系统的效果，需要从多维度制定指标：

·诊断准确率：AI给出的证候/疾病与最终医生诊断吻合的比例。这是最直观也是最重要的指标。理想情况下，常见病证上的AI辨证准确率应接近有经验中医师水准（>90%）。广安门医院虽未公布具体数据，但从医生普遍接受其建议来看，其准确度相当可观。横琴模型在风湿科等试点病种上的验证也显示，大多数情况下AI辨证与专家意见一致，对一些边缘证候的检出率甚至超出普通医生（因为AI不会忽略罕见可能性）。当然，在疑难杂症上准确率会降低，这是继续改进的重点。

·问诊完整度：即AI问诊覆盖了标准问诊要点的程度，可通过对比人工问诊记录来评估。北京中医医院等计划引入AI病历质控功能，就是要监测病历中问诊项目的缺失率。AI预问诊有望使病历中主诉、现病史等记录更加完整详尽，减少疏漏。例如患者的饮食起居、“十问”相关症状，有AI参与后，病历记录率比纯人工书写明显提高。质控统计显示，有了AI提示，病历未记录重要症状的情况下降了约50%（内部测试数据）。

·效率提升：包括单次问诊平均用时、医生书写时间、门诊患者平均停留时间等。广安门的案例表明，引入AI后医生每位患者问诊书写时间减少约40%；珠海的数智门诊则将传统望闻问切从十几分钟缩短到几分钟内。这意味着医院整体接诊效率提高，可服务更多患者。患者角度看，候诊+就诊总时间减少，提高了满意度。另外还有效率的隐性收益：医生省下的时间可以用于更深入检查或对复杂病例的分析，从而提高医疗质量。这些效率指标在试点医院都得到了显著改善的数据支撑。

·患者满意度：AI问诊对患者体验的影响需要调查问卷等手段评估。总体反馈目前是积极的。很多患者觉得AI问诊“有温度、讲道理”，因为它提供了比以前更详细的解释和指导。一些年轻人表示喜欢先和AI聊一聊再见医生，心理上更踏实。然而也有需要关注的方面：部分老年患者起初对机器问诊存疑，担心不如真人仔细。这需要通过医院宣传和工作人员引导来缓解，并在界面设计上增加人性化元素（如语音更亲切、界面更简洁）。另外，AI问诊在隐私保护上也有患者关注，需要向患者明确数据安全措施，取得信任。患者满意度最终取决于AI是否真正帮到了他们：例如正确引导挂号、解答了疑问、节省了时间。如果这些做到了，满意度就会高。

·医生采纳率：指医生对AI建议的采用程度。如果AI建议和病历草稿经常被医生直接接受或稍加修改采用，说明医生信任并受益于AI，是成功的标志。广安门经验是多数情况下医生会参考AI辨证，哪怕最后处方调整，但AI提供的思路起到了提示作用。在珠海风湿科，主任医生表示“AI的方子有90%我都会参考”，年轻医生则更是把AI当老师。目前采纳率较高的领域是常见病、多发病，因为AI模型这些方面训练充足；在疑难病例上，医生依赖AI的程度稍低，但也会看看AI有无新思路。随着模型能力提升，我们预期医生采纳率会继续上升。不过，采纳率过高也引发AI依赖的担忧，因此强调人机协同、保留医生主动思考依然重要。

存在的问题与挑战：尽管取得显著进步，中医智能问诊系统仍面临一些挑战，需要在今后工作中持续改进：

·复杂病例处理：AI目前擅长的是常见病、典型证候模式，对于少见证型或多种疾病并存的复杂情况，表现仍有限。当患者症状很多很杂、超出训练集中常见组合时，AI可能无法准确归类，出现建议发散或置信度很低的情况。此时往往需要人工专家介入。解决之道一方面靠扩充训练数据、增强模型泛化，另一方面是引入专家系统规则处理罕见情况（比如一旦AI置信度不足，就提醒由医生全面评估）。总之，AI适用范围需要有清晰边界，在超出能力范围时应能自知之明地输出“尚不确定，请咨询医生”。

·医患信任与伦理：部分医生和患者对AI尚存戒心。医生可能担心AI有误导风险、或质疑AI是否会削弱自己的作用；患者则可能不相信机器的判断、对着机器不愿吐露病情。这需要转变观念和加强信任建设。医院应明确AI是辅助工具，最终决策仍是医生，使医生不必有被取代感。同时通过培训让医务人员熟悉AI的操作和局限，防止不当依赖。对患者，则可通过宣传、现场引导，让其明白AI的作用是帮助医生、更好服务患者。实际观察中，大部分患者在真正使用后对AI印象改观，因为它确实提供了价值。伦理层面，还需考虑AI决策的透明度和问责：如果AI出了错，谁来负责？目前行业普遍做法是医生把关，避免让AI单独承担医疗行为，以确保责任归属清晰。另外，对于收集患者隐私数据，一定要有严格的数据安全和隐私保护机制，遵守法规并取得患者知情同意。广安门医院选择本地化部署模型就是出于数据安全考虑。

·知识更新与适应性：医学在不断发展，新发疾病、新药物不断出现。AI知识库需要定期更新以跟上时代。一方面官方的中医药管理局发布的新指南、新共识需要及时加入；另一方面，临床一线的新经验也应通过反馈机制纳入。模型本身也要持续训练迭代，否则几年不更新可能变“医学老人”。珠海医院已建立模型迭代机制，每隔一段时间用新增病例数据微调模型，使其适应本院最新的诊疗趋势。另一个问题是地域差异：不同地区中医师有不同风格流派，模型在一个医院训练的，迁移到另一个地方可能水土不服。所以需要本地化调优过程，以及知识库中纳入多元流派知识，保证AI包容性。如果不加以改进，可能会出现模型只会广州一带的辨证思路，到北方就不适用的情况。因此行业需要建立共享的中医大知识图谱，同时允许各地微调特色。

·评价和监管：目前AI问诊缺乏统一的行业评测标准和监管规范。各家宣传的效果数据缺乏可比性，医生和患者也难以客观了解AI能力边界。为促进良性发展，亟需标准化的测试集和评价框架。例如，可以由专业机构制定一套包含若干典型中医病例的测试集，评估AI对这些病例的问诊和诊断表现，包括准确率、提问覆盖率、患者满意度等指标。段玉聪团队提出的“DIKWP白盒测评体系”就是一种有益尝试，从数据、信息、知识、智慧、意图各层面对AI认知过程进行评分。在国际上，大模型评测也开始关注医疗领域，我们预计未来1-2年内国家卫生主管部门或标准化组织会发布医疗AI分级要求，明确AI问诊系统在不同应用场景下需要达到的性能和需要遵循的安全规范。这将有助于规范市场，防止夸大宣传，并保障患者权益。例如，监管可能要求AI不得给出超出其训练范围的结论、重大决策必须有人工复核等。对于通过评测、可信度高的系统，监管也可能授予一定自主权限，比如允许AI自动完成某些低风险咨询，从而真正解放人力。

展望：中医智能问诊系统作为医疗AI的重要方向，已经展现了令人鼓舞的前景。随着技术的成熟和推广力度的加大，我们可以展望以下未来图景：

·各级医疗机构标配AI问诊助手：不只是三甲医院，在基层社区医院、乡镇卫生院，甚至个体中医诊所，都有可能配备轻量版的AI中医助手。它可以帮助基层医生进行规范问诊、提供诊断参考，提升基层诊疗水平，让群众在家门口享受较高质量的中医服务。这与国家医改“强基层”的方向契合。通过云服务模式，小医院也能调用大型中医模型，实现AI下沉。

·中医诊疗模式的革新：AI的大量介入，有望促使中医诊疗从经验走向数据驱动和标准化。过去因人而异的问诊，现在AI确保每个病人关键症状都被问到，病历完整性提高，将产生海量结构化临床数据。这些数据又可反哺科研，挖掘证候与疗效的关联，提高中医的循证医学水平。长远看，中医有望建立起数字化的辨证标准，某些模糊概念在数据统计下会更清晰，从而丰富和发展中医理论。

·以患者为中心的主动医疗：当AI问诊与可穿戴设备、健康App结合，能够实现对亚健康和慢病人群的主动管理。例如亚健康的人可以每天通过AI聊几句，报告睡眠、情绪、饮食情况，AI及时识别亚健康证候苗头并给出调理建议，将“治未病”落到实处。这其实超出了传统医疗的范畴，走向主动健康管理。AI可以做每个人的“数字中医师”，日常监督起居饮食，定期提供调养方案。这将提高全民健康素养，减少疾病发生。

·人工智能助力中医走向世界：中医药要国际化，一个障碍是语言和理念差异。AI模型如果能实现中英双语甚至多语种的问诊与解释，将极大便利外国人体验中医。AI可以充当实时翻译和中西医概念解释的桥梁。比如在海外的中医诊所里，AI帮医生将患者英语诉说转成中医术语，再把中医诊断解释成英文患者能懂的说法。这样中医药文化可以更平滑地传播。此外，通过AI标准化，中医临床数据更容易被国际科研接受，从而促进国际合作研究。

·更高级的AI诊疗形态：未来的AI中医可能不仅问诊，还能在望闻问切中承担更多角色。例如AI摄像机配合表情识别，读出患者情志变化；智能闻诊仪分析患者体味挥发物判断某些 syndromes；便携脉诊仪普及后，患者自己家中就能测脉象让AI分析。再配合基因组、大数据，AI中医师将比人类更能掌握“天人合一”的全盘信息，从而做出精准的个性化治疗方案。这种诊疗有可能突破传统中医经验的范围，碰撞出新的火花，比如结合分子生物学解释经络和证候本质等，推动中医理论现代化。

总之，中医智能问诊系统正让千年中医智慧在数字时代焕发新的生机。当下它还是医生的小助手，不久的将来，它可能成为医生不可或缺的“数字搭档”，共同守护人类健康。在经历了初期的探索和局部试点成功后，我们有理由相信这项技术会迎来加速发展和规模化应用。在政策、技术、行业多方合力下，中医AI问诊将走出实验室，真正惠及寻常百姓，为建设“健康中国”贡献一份独特而宝贵的力量。

（说明：本文所有引用资料均已在文中标注出处。【】内数字表示参考文献或来源的链接编号）

参考来源：

[1]科技创新激活千年岐黄智慧推动中医药高质量发展 _ 东方财富网, https://finance.eastmoney.com/a/202510223540305188.html

[2]四项新进展！全国首个数智门诊启用！, https://www.hengqin.gov.cn/macao_zh_hans/hzqgl/dtyw/dtxx/content/post_3807664.html

[3]CN120067279B - 基于ai大语言模型的中医智能问诊方法及系统 - Google Patents, https://patents.google.com/patent/CN120067279B/zh

[4]国内首发！中医医疗服务大模型"广医·岐智" - 百度智能云千帆社区, https://qianfan.cloud.baidu.com/qianfandev/topic/685819

[5](PDF) DIKWP 模型与主动医学的信息场和能量场整合研究, https://www.researchgate.net/publication/390053085_DIKWP_moxingyuzhudongyixuedexinxichanghenengliangchangzhengheyanjiu

[6]Artificial intelligence in tongue diagnosis: Using deep convolutional ..., https://pubmed.ncbi.nlm.nih.gov/32368332/

[7]医我看｜AI与医生同步“把脉”！全国首个中西医结合数智门诊启用, https://pub-zhtb.hizh.cn/a/202506/19/AP685402aae4b0ea3a79b45428.html

[8]科学网—DIKWP语义模型在医疗AI中的应用综述- 段玉聪的博文, https://blog.sciencenet.cn/blog-3429562-1490177.html

[9](PDF) 基于DIKWP模型的全球急救体系语义空间建模比较研究, https://www.researchgate.net/publication/397754855_jiyuDIKWPmoxingdequanqiujijiutixiyuyikongjianjianmobijiaoyanjiu

[10]赛博中医大师已经开始为你把脉了 - 腾讯新闻, https://news.qq.com/rain/a/20250420A01Y4I00

[11]MAIC2025｜广安门医院携“AI+中医药”创新成果亮相 岐智大模型赋能全流程医疗服务, https://health.baidu.com/m/detail/ar_10138445365177217875

[12]DeepSeek大模型接入 附属北京中医医院开启智慧医疗新篇章-附属医院风采-医院事务管理处, https://ygch.ccmu.edu.cn/fsyyfc/96af8b144bd440d995008168f76ae056.htm

[13]中医药广东省实验室加快推进创新研发, http://www.gd.xinhuanet.com/20250620/ac3a129beae542efba41b9a9a3506f82/c.html

[14]“AI+中医药”：横琴实验室推动中医药数智化跃迁 - AgeClub, https://www.ageclub.net/article-detail/6848

[15]可辅助医生精准诊断！中医横琴垂类大模型正式发布 - 科技日报, https://www.stdaily.com/web/gdxw/2025-06/20/content_357526.html