塔斯娱乐资讯网

NIH构建智能体:通过AI 推进医学深度循证研究! 美国国立卫生研究院(NIH)下属国家医学图书馆(NLM)领衔,联合约翰·霍普金斯大学及伊利诺伊大学癌症中心等多家机构,聚焦医学AI落地中的可信性与透明性两大痛点,提出了深度循证医学研究系统—— 面向医学的深度循证研究框架及智能体AI系统,并配套构 ​

NIH构建智能体:通过AI 推进医学深度循证研究!

美国国立卫生研究院(NIH)下属国家医学图书馆(NLM)领衔,联合约翰·霍普金斯大学及伊利诺伊大学癌症中心等多家机构,聚焦医学AI落地中的可信性与透明性两大痛点,提出了深度循证医学研究系统—— 面向医学的深度循证研究框架及智能体AI系统,并配套构建了专家级基准数据集深度循证医学研究系统QA。

该系统将循证医学理念引入AI科学发现,把医学研究视为"证据蒸馏"过程,由研究规划、智能体协作、证据综合三个整合模块驱动,对应研究意图识别、证据检索、证据评估、证据解读、证据综合五个阶段。面对问题,系统先生成分层研究计划,将查询按"基础概念→高阶关系"逐级分解为子问题序列,提供可解释的研究意图表征;随后通过协同智能体工作流整合医学知识图谱、文献数据库与领域资源等多源证据,并依情境相关性、证据强度、方法学质量等预定义标准筛选证据,保证评估与纳入的透明可检视;最终按用户约束筛选候选证据,生成附可追溯引用的结构化分析报告。关键设计在于参考文献通过直接查询来源数据库获取,而非由大语言模型生成,从而根除虚构引用隐患。

为支撑真实场景严格评估,团队开发了深度循证医学研究系统QA基准:由11位生物医学专家经初稿生成、专家标注、参考答案精修三阶段流程构建100个专家级研究问题,覆盖黑色素瘤、胶质母细胞瘤、年龄相关性黄斑变性等11个疾病领域,其中54%为基础研究、22%为转化研究、24%为临床研究。专家从事实准确性、分析连贯性、参考文献质量、洞见新颖性与全面性五个维度盲评该系统与OpenAI Deep Research、OpenEvidence、谷歌AI模式Deep Search三款生产级前沿平台的输出。

评测显示,该系统在全部维度上稳定优于对照系统,最大提升出现在参考文献相关性(81例对59例)与分析质量(67例对47例);高准确率答案77例(最佳对照为69例),并在27例中被专家认为识别出此前未被注意、有文献支撑的新联系;专家选出最佳回答的60例中该系统独占27例,其引用文献横跨2015—2025年,兼具广度与时效。

临床实用性方面,团队选取伊利诺伊大学癌症中心精准肿瘤学肿瘤委员会8个真实案例评估,临床医生判定该系统结论在7个案例中与专家建议一致,证据可靠性在5例中完全满意,展示其在组织异质生物医学证据、综合复杂肿瘤文献方面辅助临床决策的潜力。论文同时坦陈局限:偶尔出现推理不完整或证据整合碎片化、与问题约束错位、高被引旧文献遮蔽新证据的时序偏差;基准规模受专家成本限制;系统处理复杂查询耗时较长。

本文的核心论断颇具启发性——AI辅助生物医学发现的进步,或许并不取决于模型规模的简单扩张,而更在于设计能显式表达研究意图、证据选择标准与解读推理的系统。通过"打开黑箱"、将科学综合转变为透明可审计的证据落地决策序列,该系统重新定位了AI辅助发现的目标——从单纯的"结果生成"转向"过程问责",对夯实而非遮蔽生物医学科学的证据根基具有重要研究治理意义。医学新闻 通过AI智能体推进医学循证研究 ai医疗 哈勃观察员