2026必了解房卡“新星游链接金花大厅房卡”房卡链接获取

　　文/新浪财经香港站 赵岚

　　“先问AI后问医”，当市场教育已经完成，越来越多人在有小病小痛时更倾向于问AI获得即时性答案，而非耗费大量的时间去医院排队就诊。但医疗作为专业性极强的领域，AI问诊真的可靠吗？我们应该以什么标准来评估AI的准确性与专业度？

　　AI问诊的常用场景：健康管理 慢病管理

　　市场上医疗类AI大模型及其丰富，当中包括头部大厂的通用大语言模型、健康管理APP、依附于社交软件的小程序等，均可提供问诊类医疗意见。但不同平台给出的答案存在差异，可能导致问诊者困惑，甚至被错误引导。

　　“AI的回答有时自相矛盾，当我第一次问诊时他会给我推荐几种药，但我第二次补充症状后，他会给我推荐其他几种药，几款药品之间的作用是重叠的，甚至中、西药之间还是相斥的。”有用户表示对AI不信任，由于AI所带的特性会“迎合”用户，即使无法准确判断病情，也会基于有限信息给出模糊或错误的建议。

　　还有些AI为避免责任风险，回应更像是“精准的废话”，比如机械回复 “遵医嘱”。用户本想获得参考建议，这样的应答完全没有意义。

　　“现在 AI 不是小众的科技，‘AI+医疗’TO C领域最刚需的场景是健康管理和慢病管理”，德适生物科技（2526.HK）产品负责人何迅对新浪财经表示。

　　由于AI并不具备如医生般的临床经验，无法针对个体症状与患者进行深度对话，因此用户在问诊时自行提供的信息通常不够全面、缺少关键检测数据，导致AI漏诊概率高。

　　何迅表示，当前市场端智能体虽然供给充足，但行业发展整体处于粗放增长阶段，产品质量与专业能力较为分化，普通用户可能难以选择。

　　“市场比较缺乏统一的评价标准与权威机制来考察医疗大模型的可信程度，所以建立了这套医疗 AI 评测榜单体系。”

　　这套医疗AI评测平台为DoctorBench，为国内机构牵头建立，在香港发布，试图填补行业标准空白，杭州智诊科技WiseDiag-v2、谷歌Gemini-3.1-Pro-Preview、OpenAIGPT-5.4 位列前三。

　　而在去年5月，OpenAI也发布了医疗评测体系HealthBench，OpenAI o3、GPT-4.1、Claude 3.7 Sonnet位列前三。

　　中外医疗AI榜单评估标准有色差？

　　国内医疗AI榜单的发布也引发行业对“医疗AI评估标准”的探讨。

　　中外医疗体系存在差异，对应的AI评估标准是否也存在“色差”？目前国内建立的评测体系，是否能全面覆盖不同场景下的医疗AI需求？未来如何推动形成国内外认可的统一评估标准？

　　从两张榜单上榜产品看，头部产品重叠度较高但顺位稍有不同，其他上榜产品具有强烈的“本土化”特征。

（图为HealthBench Hard 2025年5月榜单）

　　德适表示，不同国家和地区的诊疗指南、语言习惯、患者群体存在显著差异，任何单一评测体系都难以实现全球普适。

　　根据HealthBench权重规则解释，榜单核心总指标为“综合医疗推理”，当中临床诊断准确率权重最高，包括问诊逻辑、病情判断、检查用药方案、治疗建议的专业合规性等。子权重中，复杂病例推理能力是重中之重，重点观察大模型对合并症、模糊症状、罕见病、多轮复杂病史的深度推理能力。

　　还有两个关键规则，第一是人工医生标注打分，由多国执业医生评分，第二是，“不纳入无关指标”，解释为不看模型参数大小、推理速度、是否开源，只聚焦高难度临床医疗实战能力。

　　德适的DoctorBench的核心理念其实逻辑相同，官方定义为考核其 “像医生一样思考” 的临床沟通与决策能力。因此三个主要榜单围绕医学主榜单（LLM）、多模态榜单（VLM）与智能体榜单（Agent）建设，分别评测模型的文本诊