中国团队首创医疗AI临床安全-有效性双轨评估标准CSEDB，MedGPT全球评测夺冠

中国团队首创医疗AI临床安全-有效性双轨评估标准CSEDB，获《npj Digital Medicine》收录

中国团队首次在全球顶尖期刊发表“大模型+医疗”领域的相关标准研究。

作为Nature体系中专注于数字医疗的旗舰期刊，《npj Digital Medicine》（JCR影响因子15.1，中科院医学大类1区Top期刊）此次收录的CSEDB研究，首次提出了一套用于评估医疗大模型真实临床能力的系统性框架。

该框架由中国AI医疗公司“未来医生”协同32位来自北京协和医院、中国医学科学院肿瘤医院、北京大学口腔医院、中国医学科学院阜外医院、中国人民解放军总医院、复旦大学附属华山医院、上海市同济医院等顶尖医疗机构的23个核心专科的一线临床专家共同制定。

CSEDB全称为Clinical Safety-Effectiveness Dual-Track Benchmark （临床安全性与有效性双轨基准） ，它首次为评估医疗AI真实临床能力建立了一个基于临床专家共识、覆盖全面风险维度，并将安全性与有效性分开考量的标准化基准。通过公开实验，CSEDB可直接呈现不同模型在同一标尺下的临床能力对照结果。

GlobalMD创始人Tim Shi对此评价道：

这正是我们一直在等待的市场信号！
由中国推动的标准+MedGPT的表现=真正的差异化。

从行业角度看，这项研究释放出了一个清晰的信号：

医疗AI的竞争，正在从能力展示阶段，正式进入责任定义阶段。

CSEDB凭什么被权威期刊认可？

医疗既是高价值场景，也是高风险场景。当前，包括谷歌、OpenAI、Anthropic等在内的全球科技公司均在加速押注医疗AI。然而，医疗AI发展至今，一个核心矛盾始终存在：现有评估体系多围绕学术数据集展开，关注准确率、召回率等统计指标，却难以回答模型在真实临床场景中部署使用的实际结果。而针对人类医生的执业医师考试，也难以完全覆盖真实诊疗的复杂性。

“真实临床工作的复杂性远超考试。”北京协和医院胸外科主任医师梁乃新教授指出，执业医师考试是一种通过性门槛，核心是考核基础规范与“不犯错”的能力。在面对个体化治疗与多病共存的患者时，医生的核心价值在于做出追求更好的综合判断。因此，医疗AI往往在评测榜单上表现亮眼，但很难在真实诊疗环境中验证其安全性和有效性。

正是在此背景下，CSEDB被提出。其最为创新的地方，在于首次在医疗AI评估中引入了“安全性”与“有效性”双轨评价体系。与以往算总分的评测标准不同，CSEDB一条轨道专注安全性，另一条轨道衡量有效性，只有同时通过这两道门槛，模型才被认为具备临床部署的基本资格。

更关键的是，CSEDB在指标设计上引入了风险权重机制，每一项评估指标都会根据其潜在临床风险，被赋予1到5级的权重。涉及误诊、禁忌用药等高风险情境的指标，会对总评分产生显著影响。这种设计逻辑在评估阶段就模拟了医疗决策中的风险分级体系，将“安全优先”原则嵌入评分结构。

为了支撑评估，专家团队构建了一个面向真实临床问题的数据集。整套评估体系共涵盖2069个开放式问答条目，覆盖26个临床专科。这些问答场景高度贴近一线临床病例推演，涵盖危急重症状识别、致死性诊断失误、剂量与器官功能失配、严重过敏史忽视、常见病正确诊断、多病并存优先级、并发症预警提示等关键场景，强调模型在连续决策中的表现。

从评估逻辑上看，CSEDB关注的核心并非模型“知道多少”，而是模型“如果这样判断，会发生什么”。这种以医疗后果为中心的设计，使其天然具备部署导向和监管友好性，同时具备向不同医疗体系扩展的潜力。从根本上改变评估目标，兼具专业性和完整性，方法论上可复现、可推广，让CSEDB能够覆盖真实临床风险，为不同国家的不同医疗机构采用同一标尺提供了可能。

在此框架下，专家团队评估了全球范围内的主流大模型，包括DeepSeek-R1、OpenAI o3、Gemini-2.5、Qwen3-235B、Claude-3.7等。结果显示，在总体得分、安全性和有效性三个核心维度上，中国未来医生团队推出的MedGPT均位列第一。尤其在安全性指标上，MedGPT与其他模型拉开了显著差距，更是唯一一个在安全性评分上超过有效性的模型。

临床安全和有效性持续收敛：MedGPT技术解析

夺冠的MedGPT是什么来头？它由中国AI医疗公司“未来医生”推出，是一个原生为临床使用场景设计的医疗大模型。

鉴于医疗决策本身并不均质，MedGPT的核心架构设计了快慢双系统模式。大量临床场景高度常规，路径清晰、风险可控，且对响应速度要求高。快慢双系统中的“快系统”专为此类场景设计，采用轻量化推理结构，在高度结构化的医学知识约束下快速生成候选结论，响应时间可压缩至百毫秒量级，追求在低风险前提下的稳定高效输出。

然而，面对症状不典型、存在合并症或用药冲突等复杂高风险场景时，单一的快系统机制不足以保证安全性。为此，MedGPT配备了“慢系统”。慢系统会主动拉长推理链，引入多阶段临床演绎路径（如病史分析-鉴别诊断-结论验证），并调用更丰富的医学知识库与专家经验进行交叉校验。

MedGPT会根据问题的风险等级、信息不确定性及潜在后果，动态决定是否从快系统升级到慢系统。为了进一步确保严谨性，模型还引入了专门的风险调和与控制机制“ACC层”，来处理两套系统输出之间的冲突。当快系统的直觉性结论与慢系统发现的风险信号不一致时，系统会优先触发风险约束，重新审视推理路径，必要时直接拒绝输出，并引导转向人工就医。

在训练和数据层面，MedGPT通过结构化方式内化了医学知识体系，使其推理过程更接近真实的医学决策路径。同时，MedGPT在使用中持续进化，每周来自超过一万名医生的两万条诊疗反馈会沉淀下来，纳入模型推理单元训练，形成数据飞轮。从结果看，MedGPT每月准确率均稳定提升1.2%-1.5%。

MedGPT的核心工程化能力体现在三个方面：
1. 医学逻辑显式建模：将临床决策过程拆解为结构化路径（如病史分析、初步判断、鉴别诊断、结论验证），每一步对应明确的医学知识来源和校验规则，使推理过程可追溯。
2. 临床风险量化控制：通过快慢双系统的动态分流和ACC层的风险调和，将临床风险前置到推理过程中。在高风险场景下，系统主动提高验证门槛，甚至触发拒答和就医引导，明确产品责任边界。
3. 临床反馈动态闭环：模型在真实使用中持续接收医生反馈，每周沉淀大量规则更新。这些反馈直接作用于慢系统的推理路径修正和风险策略调整，确保模型的进化方向始终由真实诊疗场景牵引。

医学逻辑的显式建模、临床风险的量化控制以及临床反馈的动态闭环，这三层机制的叠加使得安全性与有效性在MedGPT身上持续收敛，构成了其核心壁垒，也解释了其在CSEDB评估中展现出的优势。

尊重医学复杂性、且其设计哲学与评估标准高度一致的MedGPT，被团队定位为未来医生产品体系的核心动力引擎。

让医疗AI能力在使用中收敛

若仅将模型视为技术能力的展示，那么一时在评测中夺冠便已足够。然而对于未来医生团队而言，比展示模型能力更重要的，是如何将技术优势转化为真实的临床价值。

未来医生以通过CSEDB严格验证的MedGPT为核心，构建了精准匹配不同医疗角色与场景的产品矩阵：

• 患者侧的“未来医生”：7*24小时为用户提供高质量、负责任、可追溯的严肃诊疗服务，致力于“让顶级专家免费在线给全国人民看病”。
• 医生侧的“未来医生AI工作室”：深度嵌入诊疗决策流程，成为医生的智能协作者。
• 基层医疗场景下的“未来家医”：为资源有限的基层机构提供持续、可靠的辅助支持。

这些产品让技术主动适配临床工作流，在每一个环节追求可衡量的效率提升与风险控制。其目标是通过AI技术实现优质医疗资源的有效复制，进而缓解医疗资源供给不足的困境，最终使高品质的健康与医疗服务变得人人可及。

技术能力通过CSEDB这样的评估框架得到验证，产品体系又让这些能力持续暴露在真实使用场景中反复检验，一个独特的“牵引式”进化闭环就此形成。

技术能力通过CSEDB的验证获得“准生证”，产品矩阵则将其置于真实场景中反复淬炼。技术被迫遵从临床流程的严格约束，产品则通过用户反馈不断向技术提出更高、更精准的要求。二者相互牵引，驱动系统向更可用、更可控的方向持续演进。

在医疗AI这场马拉松中，短期技术领先并不罕见，长期兑现的临床价值却极其稀缺。放在更长的时间尺度中，榜单会变化，标准也会不断升级。医疗AI的竞争，更像一场长期耐力测试。

技术、评估、产品三者的协同，正在成为医疗AI能否深入临床的决定性因素。这正在重新定义医疗AI通往临床的核心路径：从追求榜单上的智能，转向兑现诊疗中的信任。

刊发网页：
https://www.nature.com/articles/s41746-025-02277-8

关注“鲸栖”小程序，掌握最新AI资讯