⏱ 预计阅读：18 分钟
中医科 AI 这期，我不想把标题写成“多少年 AI 之路”。
原因很直接：中医 AI 的早期产品、四诊设备、体质辨识软件、科研平台和辅助辨证系统很多，但公开资料里很难找到一个既能精确到日、又能代表整个中医科 AI 产品化起点的一手监管节点。硬凑一个年数，反而会把读者带偏。
这期最值得看的，不是中医科 AI 走了多少年，而是它正在从“会不会自动开方”的想象，转向“能不能把四诊数据、辨证思路、医生复核、中药药事和随访传承接进真实工作流”。
这个判断比年数更重要。
因为中医科的 AI 落地，天然比很多图像科室更复杂。放射科可以从一张 CT 或 MRI 图像切入，眼科可以从一张眼底照切入，消化内镜可以从实时画面切入。中医科的入口不是一个单一影像文件，而是望闻问切、主诉、舌脉、病史、体质、方药、医案、禁忌、随访和医生经验。
这些东西只要没有被结构化、可追踪、可复核，AI 看起来再会说话，也很难真正进入中医科日常。
图注：道生四诊仪产品页展示舌、面、脉和问诊等中医四诊信息采集入口。
中医科AI为什么现在要看？
过去谈中医 AI，最容易被吸引的是两个画面。
一个是舌诊、脉诊设备，把原本主观的望闻问切变成图像、波形和量表；另一个是大模型问答，患者输入症状，系统立刻给出证候、方药和解释。
但如果站在医院中医科的角度，这两个画面都不够。
四诊设备解决的是“数据怎么来”；大模型解决的是“知识怎么组织”；真正的科室落地还要回答更难的问题：这些数据怎么进入病历？AI 的辨证建议由谁复核？处方是否经过药事审核？禁忌、剂量、煎服和随访怎么被记录？不同医生的经验能不能沉淀为可管理的知识库？
中医科 AI 的关键变化，是从单点能力竞争走向工作流竞争。
道生四诊仪这类设备，代表的是中医数据入口。它把舌诊、面诊、脉诊、问诊等信息记录、分析、保存，为健康状态辨识和中医辨证提供客观化依据。这个方向适合治未病中心、健康管理中心、基层中医馆、教学科研和门诊前置采集。
问止中医大脑这类系统，代表的是辅助辨证和医生工作台路线。它把症状、舌诊、脉诊、腹诊等信息录入系统，辅助医生形成辨证和处方思路。这个方向更接近中医临床，但也更需要把医生复核、处方责任和记录留痕讲清楚。
广安门医院发布“广医·岐智”中医医疗服务大模型，则代表头部中医院正在把名老中医经验、临床病例、知识图谱和大模型结合起来。北京市中医药管理局页面显示，该模型依托广安门医院 70 年积累，汇集 407 万临床病例数据，构建涵盖疾病、证候、中药、古籍文献等多类知识库。这个方向不只是一个聊天机器人，而是院内知识、患者服务、科研传承和辅助诊疗平台的组合。
图注：问止中医页面展示中医大脑在线开方系统和中医人工智能服务入口。
所以本期主线不是“中医 AI 到底灵不灵”，而是更具体的四个问题：
第一，四诊数据能不能被稳定采集，而不是只停留在医生经验口述里。
第二，AI 给出的证候和方药思路，能不能被医生快速看懂、修改和退回。
第三，中药处方、配伍禁忌、剂量、煎服和随访，能不能进入药事和质量管理。
第四，名老中医经验和院内病例，能不能沉淀成可更新、可审计、可回退的知识体系。
AI怎么接进中医科工作流？
一个更成熟的中医科 AI 工作流，至少要穿过六个环节。
第一是患者入口。患者可能来自普通门诊、治未病中心、复诊、线上问诊或健康管理服务。不同入口决定 AI 的风险等级。治未病和体质评估的风险相对低，疑难病、慢病合并用药和重症相关咨询的风险高得多。
第二是四诊采集。舌象、面象、脉象、问诊量表、主诉和症状描述，需要形成可保存、可调用的数据。这里最怕的是“看上去智能，实际上数据断裂”：设备采了舌脉，病历里没有；患者填了问卷，医生工作台看不到；医生修改了辨证，系统没有记录原因。
第三是结构化病历。中医病历里有很多非结构化表达，例如“怕冷”“口干不欲饮”“纳差”“舌淡苔白”“脉弦细”。这些表达如果不能和主诉、既往史、过敏史、正在使用的西药、中药禁忌放在同一条时间线上，AI 的建议就容易变成孤立文本。
第四是 AI 辨证辅助。它可以提示证候、给出方药思路、找相似医案、提醒禁忌和风险。但这一步不能被写成“自动开方”。在真实中医门诊里，医生会根据患者体质、病程、用药史、当前状态和个人经验调整处方。AI 的价值是帮助医生更快整理线索，而不是把责任推出去。
第五是医生复核。医生需要能采纳、修改、退回，并留下理由。这个功能看起来不性感，却是中医科 AI 能否进入医院的关键。以后出现疗效不佳、不良反应、药物相互作用或患者投诉时，系统必须能回放：AI 当时给了什么建议，医生看了什么，改了什么，为什么改。
第六是药事与随访。中药处方不是写完就结束。配伍禁忌、剂量、煎服方法、特殊人群、复诊计划、不良反应和疗效反馈，都应该进入闭环。没有药事和随访，中医 AI 只是在门诊前半段热闹；接不住后半段，就很难成为科室基础设施。
先分层，再逐个拆解
中医科这期不适合像心内科、眼科那样，把几个产品放到同一张“谁最准”的横向表里打分。
原因是它们解决的问题不一样。
四诊仪解决的是数据入口；中医大脑解决的是辨证辅助和医生工作台；中医药大模型解决的是知识库、医案、古籍和院内服务；处方审核和中药药事解决的是用药安全；随访平台解决的是疗效反馈和复诊管理。把它们都叫“中医 AI”，然后比较谁更准，并不公平，也不实用。
更合理的方式，是先按六层能力分清位置，再保留逐个产品和平台拆解。
| 层级 | 代表任务 | 医院应该看什么 |
|---|---|---|
| 四诊采集层 | 舌面脉、问诊量表、体质辨识 | 采集是否稳定，数据能否进入病历和科研库 |
| 结构化病历层 | 主诉、舌脉、证候、禁忌、用药 | 术语是否统一，医生修改是否留痕 |
| 辨证辅助层 | 证候提示、方药思路、相似医案 | 建议是否可解释，医生能否采纳、修改、退回 |
| 院内知识层 | 古籍、指南、医案、名医经验 | 知识库来源、更新机制和版本管理 |
| 处方药事层 | 配伍禁忌、剂量、煎服、审方 | 药师参与、风险提示、责任边界 |
| 随访传承层 | 疗效反馈、复诊、科研、经验沉淀 | 能否形成长期数据闭环，而不是一次性问答 |
这张表也解释了为什么中医科 AI 不能只问“有没有大模型”。
如果一个医院缺的是四诊客观化和体质评估，先看四诊设备和数据平台；如果缺的是门诊医生效率，先看辅助辨证和医生工作台；如果缺的是名医经验传承和科研沉淀，院内知识库和大模型更重要；如果缺的是中药处方安全，药事审核和审计才是核心。
医院选型先定位缺哪一层，再谈模型和厂家。顺序反了，很容易买到一个会说话、但接不进科室的系统。
代表产品和平台逐个拆解
道生四诊仪：先把四诊变成数据
道生四诊仪的价值，不是替医生做最终判断，而是把舌、面、脉、问诊等信息客观化。
它的产品页写得很清楚：系统可记录、分析、保存四诊原始图像、客观化数据和四诊特征，并由中医师或在中医师指导下，进行舌象、面色、脉象诊测信息采集及辅助体质辨识，供中医辨证参考。
这个边界很重要。
它说明四诊设备在医院里的合理位置，是“采集和参考”，不是“替代诊断”。对治未病中心、中医体检、基层中医馆和科研教学来说，这类设备可以先解决数据来源问题。没有数据，中医科研、随访和 AI 训练都很难往下走。
图注：道生场景页面展示四诊数据在科研、教学、基层中医馆和健康管理中的应用。
但医院采购这类系统，不能只看设备外观和报告模板。更应该问五个问题：
第一，舌面脉数据能不能和 HIS、EMR 或体检系统打通。
第二，医生修改后的辨证结果能不能回写，还是只保存设备原始报告。
第三，体质辨识、证候判断和健康管理建议的边界怎么写。
第四，科研使用时，数据是否可脱敏、可导出、可追踪。
第五，设备采集质量不稳定时，谁来复核和重采。
四诊设备是中医科 AI 的底座之一，但它不是终点。它真正的价值，是把过去很难沉淀的中医观察，变成后续病历、随访、科研和模型训练可以使用的数据。
问止中医大脑：辅助辨证要留住医生复核
问止中医大脑代表的是另一条路线：把中医问诊、辨证、方剂、针灸、临证管理和随访放进医生工作台。
问止页面显示，中医大脑用于辅助医生作出处方决策，也包含方剂大脑、针灸大脑、临证管理、患者随访、方证解析、药证解析等模块。这个方向比单纯四诊采集更靠近临床决策，也因此更需要谨慎表述。
图注：问止中医大脑联盟版页面展示方剂、针灸、临证管理和随访相关模块。
我认为这类系统的价值在三个地方。
第一，它可以帮助年轻医生整理辨证思路。中医学习有很长的经验曲线，面对复杂主诉时，系统提供证候、方药、相似医案和禁忌提醒，有助于减少遗漏。
第二，它可以把门诊经验沉淀下来。医生为什么用了这个方，为什么加减，患者复诊后有什么反馈，如果这些都能记录，中医科才有机会形成自己的知识资产。
第三，它可以提高复诊和随访效率。很多慢病、亚健康、失眠、脾胃病、妇儿相关场景，不是一次处方就结束。患者反馈、症状变化、用药反应和生活方式建议，需要进入连续管理。
但它的边界也很清楚。
这类系统不能被采购成“AI 自动开方机”。中医处方不只是症状匹配，还涉及患者体质、病程、合并疾病、正在使用的西药、孕产状态、年龄、肝肾功能、用药禁忌和医生经验。AI 可以给出思路，但最后必须由医生复核和承担诊疗责任。
医院如果部署辅助辨证系统，我建议把验收指标从“AI 开方准确率”改成更真实的几项：病历录入是否减少重复劳动，医生采纳率和修改率如何，修改理由是否沉淀，禁忌提醒是否减少风险，随访反馈是否回到医生工作台。
广医·岐智：从会回答到进医院知识库
2025 年以来，中医药大模型明显升温。这里真正值得看的是：头部中医院不再只是把通用聊天模型拿来问答，而是把院内病例、名老中医经验、古籍文献、指南、证候、中药和知识图谱接起来。
广安门医院发布的“广医·岐智”就是一个代表案例。北京市中医药管理局页面披露，该模型聚焦患者服务，AI 导诊、AI 预问诊等功能嵌入医院现有医疗服务流程，并融合智能分诊、信息查询、健康宣教、费用解读等场景。
图注：北京市中医药管理局页面展示广安门医院“广医·岐智”中医医疗服务大模型。
这类模型的意义，不在于“比医生懂中医”。
它更像医院级中医知识基础设施：患者问答、导诊预问诊、临床知识检索、科研检索、医案整理、名医经验传承，都可以在同一个知识底座上做。但越是医院级平台，越不能只看模型会不会回答。医院更应该看底层数据来自哪里，是否做了脱敏，知识库怎样更新，模型版本如何管理，错误输出如何回退，医生和患者看到的答案是否分层。
中医大模型还有一个独特难点：中医知识不是单纯的现代医学指南结构。它既有古籍、方剂、药材、证候，也有名老中医经验、地方流派、医案和个体化加减。模型如果只会把这些内容混在一起生成一段漂亮解释，临床价值有限；如果能把知识来源、适用边界、相似医案和医生复核链路展示出来，价值就完全不同。
中医药大模型的下一步，不是更会聊天，而是更可追溯。
医院本地化大模型路线：重点不是装一个聊天入口
很多医院现在都会考虑把通用大模型接进院内环境。放到中医科，这件事更不能简单理解为“接一个聊天窗口”。
中医科的本地化大模型至少要接住六类内容：院内病历、四诊数据、古籍和指南、名老中医经验、处方药事规则、患者随访记录。模型只是中间层，真正影响临床价值的是它能不能接进医生工作台、权限系统、知识库和审计日志。
这条路线适合有一定信息化基础、希望建设院内中医知识服务能力的医院。它可以先做导诊预问诊、病历文书辅助、知识问答、科研检索、患者宣教和质控复盘，再逐步靠近医生诊疗辅助。
但采购时要守住边界：数据是否不出院，权限是否分层，知识库是否能维护，模型答案是否能标注边界，错误输出是否能回退，医生确认是否留痕。本地化不是装模型，而是重做数据、权限和审计链路。
中药药事与随访治理：接住处方后半段
中医科 AI 最容易被演示成“辨证开方”。但医院真正上线以后，很多风险发生在开方之后。
处方有没有配伍禁忌？剂量是否合理？特殊人群有没有提示？煎服方法有没有讲清楚？患者回家后有没有不良反应？复诊时疗效反馈有没有回到病历？这些问题如果不进入系统，中医 AI 就只做了门诊前半段。
这条路线的产品形态不一定是一个独立“中医 AI 产品”，也可能嵌在处方系统、药房系统、随访系统和质控平台里。它的价值是把医生处方、药师审方、煎服指导、患者用药、不良反应、疗效反馈、复诊调整和质量复盘连起来。
医院部署时，最该先定义的是强拦截边界：哪些配伍禁忌必须拦截，谁有权放行，药师怎么参与，反馈是否回到病历，风险如何追责。中医 AI 的安全性，很多时候不是藏在模型里，而是藏在药事和随访里。
医院怎么判断和部署？
中医科 AI 的采购，我建议按“低风险入口到高责任链路”推进。
第一步，先选低风险、高重复、容易验证的入口。治未病体质评估、四诊数据采集、复诊资料整理、健康宣教和患者随访问答，适合先做试点。它们离最终处方责任稍远，更容易建立数据闭环。
第二步，再接医生工作台。把四诊数据、问诊信息、既往史、用药禁忌、证候提示、方药思路放到医生能看见、能修改、能退回的界面里。不要让医生在一个系统里看病，在另一个系统里看 AI 建议，再手工复制到病历。
第三步，处方和药事必须单独设计。中药处方涉及配伍、剂量、煎服、特殊人群和不良反应，不能被简单塞进一个“建议生成”按钮。药师、医生、信息科和质控部门需要一起定义哪些提醒是强制拦截，哪些只是提示，哪些必须记录理由。
第四步，建立版本和审计机制。中医 AI 如果基于院内医案和知识库持续更新，版本管理就非常重要。同一个患者在不同时间得到不同建议，系统必须能解释差异来自病情变化、知识库更新、模型更新，还是医生修改。
第五步，保留退出机制。医院上线 AI 不是只能一路扩大。某个场景如果数据质量差、医生不采纳、患者反馈不好，应该能暂停、回退和复盘，而不是为了证明创新继续硬推。
国内代表路线
中医科 AI 的国内路线，不适合只列“厂家排名”。更有价值的是看它们分别站在哪个工作流位置。
| 代表路线 | 主要位置 | 适合先问的问题 |
|---|---|---|
| 道生医疗 | 四诊采集、体质辨识、健康管理和科研数据 | 设备数据能否进入病历、科研库和随访系统 |
| 问止中医 | 辅助辨证、方剂针灸、临证管理和随访 | 医生复核、处方责任和修改留痕是否完整 |
| 广安门医院广医·岐智 | 院内中医药大模型和知识库 | 病例、古籍、证候、中药知识如何更新和审计 |
| 医院本地化大模型路线 | 文书、导诊、问答、科研和辅助诊疗 | 私有化、权限、脱敏和工作流嵌入是否到位 |
| 中药药事与处方审核路线 | 审方、禁忌、剂量、煎服和药事管理 | 药师参与、强提醒边界和责任链如何设计 |
这里面最容易被低估的是药事和审计。
很多中医 AI 演示看起来重点都在“辨证”和“开方”。但医院真正上线以后，处方审核、配伍禁忌、特殊人群、中西药合用、药房煎服、复诊反馈、投诉复盘，才是决定系统能不能长期存在的部分。
中医科 AI 要从演示走向部署，必须把“医生怎么用、药师怎么管、患者怎么反馈、医院怎么审计”写进同一张图里。
未来技术架构看什么？
未来几年，中医科 AI 的技术架构大概率会从“一个模型入口”变成“多层系统”。
底层是数据采集。四诊设备、HIS、EMR、处方、随访、知识文献，都要进入统一的数据治理框架。没有身份匹配、时间线和权限控制，后面的模型能力很难稳定。
第二层是标准化。中医术语、证候、方剂、药材、剂量、禁忌、时间线，需要被整理成医院能维护的结构。这里不是简单翻译成数据库字段，而是要尊重中医临床表达，同时满足信息系统可用。
第三层是知识层。古籍、指南、院内医案、名老中医经验、药事规则，都要有来源、版本和适用边界。尤其是名医经验，不能只变成几段宣传文字，而要和医案、证候、方药和随访结果关联。
第四层是模型层。大模型可以做问答和解释，检索增强可以减少胡说，证候分类和相似医案可以帮助医生定位思路，风险规则可以守住禁忌和责任边界。不同模型和规则应该组合，而不是让一个大模型包办所有判断。
第五层是应用层。医生工作台、审方、患者随访、科研检索、导诊预问诊，都应该根据角色分层。患者看到的是健康管理和就诊服务，医生看到的是可复核建议，药师看到的是风险和审方，管理者看到的是质量和审计。
第六层是治理层。权限、脱敏、日志、版本、漂移监测和回退机制，必须贯穿所有层。中医科 AI 的技术路线，核心不是“会回答”，而是“可追溯”。
写在最后
本期一句话：中医科 AI 的成熟，不在于系统能不能自动开方，而在于它能不能把四诊数据、辨证思路、医生复核、中药药事和随访传承接成一条可追踪的责任链。
中医科是一个很适合 AI 的科室，也是一个很容易被 AI 讲坏的科室。
适合，是因为中医有大量医案、方剂、药材、证候、名医经验和长期随访，很多知识本来就需要整理、检索、归纳和传承。
容易讲坏，是因为一旦把它简化成“AI 自动开方”，就会忽略中医临床里最重要的个体化判断、医生经验、处方责任和长期反馈。
我对中医科 AI 的判断是：短期最稳的不是替代医生，而是先帮助医生把资料整理得更完整、辨证思路看得更清楚、处方风险管得更严、随访反馈留得下来。
医院真正该问的不是“这个模型懂不懂中医”，而是：它能不能接进我的门诊、病历、药房、随访和科研？它能不能让医生保留判断权？它能不能在出错时追得回去？
这个问题回答清楚，中医科 AI 才可能从热闹的演示，变成科室真正愿意长期使用的工具。