医学智能体：体系架构、临床转化与可信应用

临床照护是在信息不完整、患者状态持续变化且资源受限的条件下，反复获取证据、更新判断并采取行动的序贯过程。现有医学人工智能（artificial intelligence， AI）仍主要完成识别、预测、内容生成等任务，因此，模型能力能否转化为安全、有效且可问责的临床方案，构成了医学智能体研究的中心科学问题。医学智能体并非仅能回答医学问题的大语言模型（large language model， LLM），而是由模型、知识、数据、记忆、工具、工作流、人工监督和治理机制共同构成的技术系统。本文综合截至2026年7月可获得的代表性研究、权威综述、报告规范和监管文件，提出“感知—知识—推理—规划—行动—反馈”六模块闭环架构，厘清其与医学大模型、临床决策支持系统、医疗辅助、多智能体系统和具身智能的区别，并贯通临床场景、证据路径与管理要求。现有研究显示，多智能体协作、检索增强生成、工具调用和反思机制可在部分受控任务中提高性能；但医学问答成绩对交互式临床表现的预测能力有限。2026年交互式基准表明，工具增强型智能体仅获得有限的准确性增益，却显著增加令牌消耗与时间延长。少量随机试验和真实工作流研究提示，生成式AI可能改善文书、试验预筛和部分边界明确的决策流程，但尚不足以支持无监督的自主诊疗。基于此，本文提出风险校准的四级自主性分层、六阶段证据路径和全生命周期治理框架。医学智能体应以“医生—智能体—工作流”联合系统的临床净获益衡量；近期目标并非脱离医生的完全自主，而是建立医生主导、患者参与、证据约束且责任可追溯的人机协同医疗。