五、编程路径技术栈分层选型5.1 技术栈的六层模型编程路径的本质是一组分层选型决策。我们将医疗智能体技术栈解构为六层图 3模型层、编排层、工具协议层、知识层、护栏评测层、部署运维层。[图 3]技术栈六层参考架构图详见 HTML 版图 3。5.2 模型层双轨制的现实医疗智能体的认知骨干面临闭源 API vs 开源自部署的分野中国医院的实践已收敛为双轨制非敏感/低风险任务使用 API 旗舰模型换取最强推理能力涉及患者数据的任务使用开源自部署模型满足数据不出院的合规要求。开源医疗基座的代表是 Google 2025 年 5 月发布的MedGemmaHealth AI Developer Foundations 计划核心项目基于 Gemma 3 架构4B 多模态版本医学影像文本MIMIC CXR 五分类平均 F1 达 88.9显著超过基座 Gemma 3 的 81.1与 27B 文本版本MedQA 四选一 87.7%配合测试时扩展最高 89.8%支持 128K 上下文权重完全开放可本地运行与微调【A】。必须强调其官方定位MedGemma 是开发者基座模型而非获批医疗器械——需要针对特定应用微调并验证后方可部署【A】。国内实践则以 DeepSeek 本地化部署为主流详见第八章其开发生态与可本地化特性是医院青睐的主因【B】。模型层选型的三条经验法则(1) 场景倒推规模——7B 级模型在 MedAgentBench 上成功率仅 4%小模型承担严肃临床任务尚不现实【A】(2) 开源≠合规——开源模型的训练数据透明度、偏差评估与版本治理仍需建设方自行补齐(3) 模型无关性优先——通过标准化工具协议隔离模型层避免供应商锁定【B】。5.3 编排层确定性 vs 协作性的哲学分野编排框架Orchestration Framework定义智能体如何通信、委派与合并结果【B】。当前主流框架呈现两种互补哲学维度LangGraph图驱动确定性CrewAI / AutoGen角色驱动协作控制流智能体与工具为节点、有向边定义转换显式支持条件分支、循环、重试、并行CrewAI 以 Planner/Executor/Reviewer/Critic 角色分工自适应协作AutoGen 事件驱动、支持智能体派生与异步消息状态管理持久化图状态对象中间结果确定性地跨节点传递长流程不丢上下文框架托管消息传递、共享内存与轮次确定性支持确定性重放deterministic replay——每个转换显式定义输出可逐步审计协作路径动态生成可复现性依赖额外工程人机协同一等公民可在图中插入需人类批准的节点通过角色Reviewer实现粒度较粗最适场景受监管、协议约束、安全攸关的工作流医疗正是典型探索性、创意性、需要多元推理的开放任务证据等级B多源综述互证B这并非二选一现代系统日趋采用混合设计——LangGraph 定义全局控制流特定节点内部委托给 CrewAI 式协作团队兼得图执行的确定性与角色协作的推理多样性【B】。对医疗团队的直接建议是主干用图、枝叶用队——凡涉及医嘱、处方、病历写入的主干流程用确定性图编排鉴别诊断探讨、多学科会诊模拟等枝叶环节可用多智能体辩论提升质量。5.4 工具协议层MCP FHIR 正在成为事实标准智能体做事的通道是工具接口而医疗工具接口正在经历一次关键标准化**MCPModel Context Protocol模型上下文协议**与 **FHIRFast Healthcare Interoperability Resources**的结合。其工程逻辑如下FHIR 是医疗数据的通用语MedAgentBench 环境即构建于 FHIR 合规 API 之上使用现代 EMR 系统的标准接口因此智能体能力可直接迁移至生产 EHR【A】。智能体永不直接访问数据库裸表——一切经由 FHIR API由其强制授权、记录访问日志、保证数据一致性【B】。MCP 是模型-工具的标准化桥MCP 服务器将 FHIR 操作封装为工具把智能体的工具调用请求翻译为 FHIR REST 调用并返回结构化结果——LLM 无需理解 FHIR 查询语法。2025 年发表的开源 MCP-FHIR 框架验证了这一架构可支撑动态查询、上下文感知提示生成与 EHR 数据实时摘要支持医生/照护者/患者多视角 persona 输出且通过声明式 JSON 配置而非硬编码实现集成【A/B】arXiv 预印本基于合成 FHIR R4 数据验证其临床决策支持声明尚待实测。MCP 的医疗价值清单标准化工具接口一次定义、跨模型复用授权穿透MCP 服务器强制 SMART on FHIR 权限域确保 LLM 不越权访问审计轨迹每次工具调用连同输入输出被记录——恰是 HIPAA 要求的审计形态模型无关更换 LLM 供应商无需重写 FHIR 集成层【B】。更深层的问题上下文碎片化。医疗 AI 的隐患不只是单点错误而是各自为政的智能体——预约机器人不知道检验已开、症状筛查器忽略用药更新。MCP 通过上下文信封context envelope、访问范围层、本体映射SNOMED CT/FHIR 词汇对齐、记忆状态钩子与意图账本cryptographically secure 的决策审计记录解决跨系统连贯性【B】。前瞻HL7 AI Transparency on FHIR。HL7 正在制定的该规范将把 AI 溯源元数据直接编码进 FHIR 资源——模型来源与版本、置信度自评、生成时上下文中的证据资源链接、请求与审核元数据。虽尚未成为规范normative但现在就按此结构生成 FHIR 资源可避免未来合规改造【B】。实践路径建议从 SMART App 起步做交互式临床工具事件驱动模式做后台自动化仅当需要亚 500ms 实时告警且契合标准钩子时才用 CDS Hooks用 HAPI FHIR开源 Synthea 合成数据搭建开发环境授权SMART auth是最难的部分应最早投入【B】。5.5 知识层与检索工程细节知识层的三项工程纪律直接决定 RAG 上限(1) 来源治理——限定权威来源、记录数据血缘采集机构、设备型号、参数、合成数据使用需额外说明生成逻辑与局限【A】(2) 检索组合——稠密检索负责语义意图、BM25 负责精确关键词药品名、指南编号、交叉编码器重排负责精排RRF 融合是当前最优组合【A】(3) 版本与时效——临床指南持续更新系统必须有清晰的版本控制与更新流程答案附显式来源链接与审核日期【B】。评测工具链方面RAGAS 类框架聚焦医疗最关键的信号忠实度faithfulness每个论断是否被检索证据支撑等【B】。5.6 部署运维层从演示到生产的鸿沟演示级与生产级 RAG 的差距被概括为四个词接地Grounded——每个论断可追溯至可引用来源受治Governed——提示、模型与数据均版本化并受访问控制受监控Monitored——质量、漂移与安全被持续测量可复现Reproducible——同一问题得到一致、可辩护的回答【B】。隐私工程则是中国语境的硬约束本地化部署 模型加密确保患者信息不出院【B】推理期风险同样真实——对抗性提示可能从模型响应中抽取训练数据中的患者属性需要模型审计、差分隐私与实时监测【B】多智能体系统共享信息扩大攻击面须强制智能体间加密、身份验证与严格访问控制【B】。六、参考实现一条可落地的工程主线将前五章的结论压缩为一条工程主线一个面向病历质控 辅助诊疗的医院智能体可以按以下骨架组织伪代码级描述框架选型按 5.3 节逻辑模块参考实现关键约束来源编排主干LangGraph图intake → retrieve → reason → draft → guardrail → human_approve → fhir_write确定性重放 图内人审节点B模型接入双轨非敏感任务走 API涉患者数据走本地DeepSeek-R1:70B/MedGemma类基座数据不出院B开源基座需自行验证A工具通道MCP server封装 FHIR R4 操作Patient/Observation/Condition/MedicationRequestSMART on FHIR 最小权限域授权穿透 调用审计B知识管线围墙花园院内规范国家指南药典→ 稠密BM25 混合检索 → 交叉编码器重排 → RRF 融合混合检索 15%A可靠性环自反式 RAG 自我批评 → 输出轨接地性检测 → 置信度低于阈值即弃权/升级人工幻觉 5.8%A弃权策略B评测回归接入MedAgentBench类动态基准 RAGAS 忠实度指标每次模型/提示/索引变更全量回归行动类 SR 仅 ~54%A写回与溯源AI 生成文书经医生修改签署后回填病历每个 FHIR 资源携带 AI 溯源扩展模型/版本/置信度/证据链接HL7 AI Transparency 方向B这条主线的每一环都有对应证据支撑且刻意把人审放在fhir_write写操作之前——这是 MedAgentBench 行动类 54% 成功率给出的刚性约束【A】。医院信息化团队可按此骨架裁剪先做只读不写的文书与质控场景行动类能力医嘱草案成熟一个放开一个。七、安全治理与监管框架7.1 美国 FDATPLC 时代2025 年 1 月 7 日FDA 发布《人工智能设备软件功能生命周期管理及上市提交建议草案》——首个覆盖 AI 设备全产品生命周期TPLC, Total Product Life Cycle的综合指南草案将设计、开发、维护与文档建议串联成体系【A】。截至 2025 年FDA 已通过既有上市前路径批准超过 1000 款AI 设备其中约 75–80% 集中于放射科2025 年单年批准 258–295 款创历史之最【B】。对智能体开发者最相关的监管构件有三个PCCP预定变更控制计划2024 年 12 月最终化允许厂商预先声明计划中的模型修改算法更新、再训练协议、性能阈值调整并获得授权无需每次提交新的 510(k)。三大必备组件修改描述、评估协议预定义性能指标、验收标准、测试数据集、影响评估。2025 年已有 10% 的 AI/ML 设备批准包含 PCCP2025 年 2 月 Aidoc CARE1 成为首个获批的基础模型驱动临床 AI 设备其批准即附带 PCCP【B】。2025 年 8 月FDA、加拿大卫生部与英国 MHRA 联合发布 PCCP 五项指导原则【B】。透明度与标签要求TPLC 草案推荐使用模型卡model card——结构化描述模型特征、预期用途、性能指标含人口学子分组测试、已知偏差与局限、PCCP 监测计划并要求以目标用户可理解的语言说明 AI 做什么、如何验证、边界在哪【B】。基础模型专项关注监管材料明确提出对使用基础模型LLM的设备进行标识tag并要求额外护栏——幻觉风险缓解、提示工程文档、内容安全性与准确性的上市后监测【B】。这意味着医疗智能体的提示模板、微调数据集、安全过滤器、输出清洗步骤与护栏有效性证据都将进入监管提交物清单。更早的基石是 FDA、加拿大卫生部与 MHRA 于 2021 年联合发布的GMLP良好机器学习实践十项原则其中多条与编程路径直接对应全生命周期多学科协作临床专家数据科学家软件工程师生物统计师、良好软件工程与安全实践、数据集代表性、用户反馈闭环等【B】。FDA 官方对草案的公开评论征询已于 2025 年 4 月 7 日截止【A】。7.2 中国政策供给的密集窗口中国的监管框架在 2024–2025 年经历了一轮密集供给形成场景指引 → 实施意见 → 标准建设的政策栈时间文件/动作要点等级2024-11《卫生健康行业人工智能应用场景参考指引》卫健委等三部门明确 4 大类 84 项 AI 应用场景推进中文临床医学术语框架、行业 AI 语料等标准研究A2025-04卫生健康行业可信数据空间创新发展试点配合国家数据局破解数据共享流通的供给意愿不足、流通机制不畅、应用深度不够难题A2025-10-20 印发11月公开《关于促进和规范人工智能医疗卫生应用发展的实施意见》国卫办规划发〔2025〕30号五部门2027 年建成高质量数据集与可信数据空间形成一批专病专科垂直大模型和智能体应用建成国家 AI 应用中试基地2030 年基层诊疗智能辅助基本全覆盖二级以上医院普遍开展影像智能辅助诊断与临床诊疗智能辅助决策。部署 8 方向 24 项重点应用A省级跟进《湖北省加快推进人工智能在医疗卫生领域应用工作实施方案2025—2027年》等量化指标示例到 2027 年智能患者就诊服务覆盖 80% 三级医院、50% 二级医院智能临床辅助诊疗覆盖 50% 三级医院、30% 二级医院A对编程路径的直接含义有三其一智能体应用已进入国家级目标清单2027 年目标原文医院构建智能体从自选动作变为规定动作与窗口期并存其二数据基础设施先于模型——高质量数据集与可信数据空间被置于基础位置其三基层是最大增量市场——2030 年基层全覆盖目标意味着轻量化、低成本、开源自部署路径将获得政策倾斜【A】。7.3 国际治理与伦理基线WHO 于 2021 年发布卫生健康领域 AI 伦理与治理指南、2024 年发布面向多模态大模型的专项指南其核心要求——透明性、强制人类监督、可引用来源——与本报告五层防御体系互为印证【B】。欧盟 AI Act 将医疗 AI 列入高风险类别HIPAA/GDPR 对数据处理提出严格约束【A】。放射学智能体综述补充了安全威胁清单训练数据投毒model poisoning、提示注入prompt injection、后门攻击backdoor且多智能体协作放大攻击面【B】。值得注意的是该综述同时指出目前获批的 AI 医疗器械AIaMD仍以窄任务、确定性输出的影像检测/分割为主智能体尚不典型存在于获批器械中——完全释放智能体能力需要整合多来源患者数据这将是未来监管审查的核心地带【B】。[图 4]风险分级治理矩阵图后果严重度 × 自主级别四象限详见 HTML 版图 4。框架为 C 级归纳象限内能力约束依据【A/B】证据。八、中国本土落地案例、路径与窗口8.1 医院侧实施路径六路径的智能体化改造结合国内医院运营语境DRG/DIP 支付改革压力我们建议将医疗智能体落地映射到六条业务路径按风险 × 见效速度 × 价值量级排序推进本框架为工程归纳C 级各路径场景依据见 A/B 级引用路径智能体形态自主级别见效逻辑① 临床文书文书起草智能体病程记录、出院记录、报告解读医生审核回填L2 起草人审病历书写速度显著提升新医大实践B医生时间回笼诊疗② 病案编码与 DRG 运营质控智能体自动审查病历逻辑矛盾、术语错误、关键信息遗漏科大附一院BL2质控耗时降低、格式准确率提升编码准确度直接作用于 DRG 入组与支付③ 患者流程与床位周转预住院次序筛查、智能转诊、云陪诊天津总院、实施意见场景A/BL3 草案待签流程类优化不触碰诊疗核心风险可控而周转收益大④ 耗材供应链SPD耗材用量分析、滥用预警新医大近三年耗材数据趋势分析与高值耗材预警BL3数据分析型任务模型幻觉后果有限现金流改善直接⑤ 财务 RPA多智能体文档处理与核验保险理赔流程编排L3技术成熟度高B合规边界清晰⑥ 导诊随访外呼智能预问诊、随访、健康宣教实施意见患者服务方向AL4 受限自主低风险高频率政策明确鼓励推进策略上建议三阶段**第一阶段0–6 个月**以①②文书与编码场景切入——技术成熟L2 人审即可兜底、见效最快用于建立组织的智能体工程能力与评测基线**第二阶段6–18 个月**扩展至③④⑤流程与运营场景同步建设 FHIR/MCP 工具层与审计体系**第三阶段18 个月以上**谨慎进入临床决策支持核心区辅助诊断、用药建议此时须具备 MedAgentBench 级动态评测的持续回归能力与高风险象限管控。这一顺序与国家政策节奏2027 中期目标、2030 全覆盖保持同频【A】。九、成熟度模型与实施路线图为使医院能够定位自身与规划投入我们提出医疗智能体成熟度五级模型框架归纳为 C 级各级特征的技术依据标注 A/B等级名称特征典型能力L0工具期员工自发使用通用聊天机器人无系统集成、无审计知识问答风险自担L1辅助期本地化部署基础模型 院内知识库只读、无工作流嵌入文档解读、知识检索天津/新医大初期形态BL2嵌入期智能体嵌入 CDSS/病历/检验系统L2 人审工作流开始建设评测基线文书起草、病历质控、报告解读科大附一院BL3编排期确定性图编排 MCP/FHIR 工具层 四轨护栏 动态基准回归行动草案待签医嘱草案、跨系统任务链对应 2027 年智能体应用政策目标AL4治理期白名单内受限自主执行 PCCP 式变更治理 全链路溯源 漂移监测愿景态对应 2030 年政策目标与 FDA TPLC 要求A从 L1 到 L2 的关键是场景选择与人审流程设计从 L2 到 L3 的关键是工程体系编排框架、工具协议、护栏、评测从 L3 到 L4 的关键是治理体系变更管理、溯源标准、监管对接。多数 2025 年完成 DeepSeek 部署的三甲医院处于 L1–L2 之间政策窗口2027 目标实质上要求头部医院在两年内具备 L3 能力【A】。十、挑战、局限与未来方向10.1 证据图谱中的六大开放挑战可靠的多模态融合智能体需在信息不完整时融合异构数据信号与文本主动规划数据采集避免错误决策链的传播【B】。多组学、时间序列等高维生物数据的接入将进一步放大该挑战。临床工作流整合系统应能感知上下文如 ICU 紧急性支持人机交互并与现有医院信息系统无缝互操作【B】——MedAgentBench 中模型在互操作场景的挣扎即为直接证据【A】。隐私的架构级保障针对智能体实时查询患者数据的特点需构建最小权限访问与不可篡改审计追踪【B】多智能体网络的攻击面扩大要求智能体间加密与身份验证【B】。可解释性的升维不仅解释预测结果更应展示推理过程——目标设定、备选方案、决策依据并传达不确定性【B】。适应性与复现性开发能适应不同临床环境、克服域偏移domain shift的自进化系统并通过开放代码与模型提升可复现性【B】。从点状工具到协调中枢当前多数医疗智能体仍聚焦相对孤立的子任务未来指向围绕长期治疗目标进行跨时序计划、执行与校正的智能体式 AI 协调系统Agentic AI并在安全、隐私与可追责性保障下实现可规模化部署【B】。10.2 本报告的局限研究者须自省证据边界(1)部分量化结论如幻觉率 15–40%、GPT-5 幻觉 9.6%来自行业分析而非同行评审原始研究标注为 B/C 级(2)MCP-FHIR 框架的临床决策支持声明基于合成数据的定性演示尚未在真实去标识记录上做实体级准确率测量【B】(3)医院案例的量化收益效率提升 50%、规范性提升 30% 等为机构自报口径存在报道偏差均为 B 级(4)成熟度模型与六路径推进策略为本报告的框架归纳C 级用于决策参考而非绩效承诺(5)领域演进极快本报告证据快照截至 2026 年 9 月。十一、结论与行动建议核心结论重述医疗智能体的编程路径不是一条单行道而是一套分层决策体系模型层双轨制API 旗舰 开源自部署医疗基座编排层以确定性图为主干、角色协作为枝叶工具层收敛于 MCP FHIR知识层以围墙花园 混合检索为标准配置可靠性层以五层防御体系接地 → 护栏 → 弃权 → 确定性 → 人审为最低门槛治理层对接 FDA TPLC/PCCP 与中国五部门实施意见。可靠性数据给出的底线判断是当前最强模型在真实病历环境中读的可靠性85%与写的可靠性54%之间存在鸿沟一切触及医嘱与处方的自主性在当前均不具备工程正当性而幻觉率可以被工程手段压缩一个数量级64.1% → 5.8%说明可靠性的主体杠杆在工程体系而非模型本身。对不同角色的行动建议医院信息科/CDTO以 L2 级文书质控场景启动6 个月内建立评测基线同步建设院内知识库与 FHIR 接口能力——这两项是任何模型都无法替代的机构资产优先选型支持确定性重放与人审节点的编排框架。医疗 AI 工程团队把 MedAgentBench 类动态基准纳入 CI/CD 回归提示模板、护栏配置、检索快照全部版本化为每个输出绑定证据引用与置信度行动类功能一律草案待签设计。厂商与研究者填补写入类智能体能力的评测与护栏研究空白行动类 54% 是全行业的明确优化方向对接 HL7 AI Transparency 与模型卡规范把监管要求前置为产品设计。政策与标准工作者可信数据空间与高质量数据集是 2027 目标的前置条件其建设速度将直接约束垂直智能体的上限中文临床术语与语料标准是当下最高杠杆的标准动作【A】。可核验引用清单分级说明【A】政策原文/官方文件/同行评审论文【B】行业报告/权威媒体/机构技术文献【C】本报告框架归纳不入列。A/B 级来源均附可访问 URL检索与核验时间2026 年 9 月 4 日。【A】Jiang Y., Black K.C., Geng G., Park D., Zou J., Ng A.Y., Chen J.H. “MedAgentBench: A Virtual EHR Environment to Benchmark Medical LLM Agents.”NEJM AI2025;2(9). DOI: 10.1056/AIdbp2500144. https://ai.nejm.org/doi/full/10.1056/AIdbp2500144 项目页https://stanfordmlgroup.github.io/projects/medagentbench 【A】Wang W., Ma Z., Wang Z., Wu C., Ji J., Chen W., Li X., Yuan Y. “A Survey of LLM-based Agents in Medicine: How far are we from Baymax?”Findings of ACL 2025, pp. 10345–10359. https://aclanthology.org/2025.findings-acl.539/ arXiv 版https://arxiv.org/html/2502.11211v2 【A】Xu X., Sankar R. “Large Language Model Agents for Biomedicine: A Comprehensive Review.”Information2025, 16(10), 894. MDPI. https://www.mdpi.com/2078-2489/16/10/894【A】Wołk K. “Evaluating Retrieval-Augmented Generation Variants for Clinical Decision Support: Hallucination Mitigation and Secure On-Premises Deployment.”Electronics2025, 14(21), 4227. MDPI. https://www.mdpi.com/2079-9292/14/21/4227【A】Ehtesham A., Singh A., Kumar S. “Enhancing Clinical Decision Support and EHR Insights through LLMs and the Model Context Protocol: An Open-Source MCP-FHIR Framework.” arXiv:2506.138002025. https://arxiv.org/html/2506.13800v1 预印本基于合成 FHIR R4 数据的定性验证【A】国家卫生健康委办公厅等五部门《关于促进和规范人工智能医疗卫生应用发展的实施意见》国卫办规划发〔2025〕30号2025-10-20 印发. https://www.gov.cn/zhengce/zhengceku/202511/content_7047018.htm【A】国家卫生健康委《对政协第十四届全国委员会第三次会议第00684号提案答复的函》2025-06-23. https://www.nhc.gov.cn/wjw/tia/202508/25ce0a98b0e64d45bbe57e9f48ba92bd.shtml【A】U.S. FDA. “FDA Issues Comprehensive Draft Guidance for Developers of Artificial Intelligence-Enabled Medical Devices”2025-01-07. https://www.fda.gov/news-events/press-announcements/fda-issues-comprehensive-draft-guidance-developers-artificial-intelligence-enabled-medical-devices【A】MedGemma Technical Report / Model CardGoogleHAI-DEF 计划2025-05-20arXiv:2507.05201. https://huggingface.co/google/medgemma-4b-pt【A】湖北省《加快推进人工智能在医疗卫生领域应用工作实施方案2025—2027年》. http://www.snj.gov.cn/zwgk/bmxxgk/jyjczx/zc_39358/202512/t20251212_5832760.shtml【A/B】“Advancing Clinical Care with AI Agents: Systematic Review of Performance and Integration in Medicine”2022-10 至 2025-0820 项定量研究. Medxy AI 转述https://news.medxy.ai/advancing-ai-in-medicine【B】Stanford HAI. “MedAgentBench: Testing AI Agents in Real-World Clinical Systems”. https://hai.stanford.edu/news/stanford-develops-real-world-benchmarks-for-healthcare-ai-agents【B】医疗健康 AI 智能体全面综述圣母大学/约翰·霍普金斯/埃默里TechRxiv 预印本200 文献. 智源转载https://hub.baai.ac.cn/view/50493 原文https://www.techrxiv.org/doi/full/10.36227/techrxiv.176240542.22279040/v2【A/B】张康等 “A foundational architecture for AI agents in healthcare”.Cell Reports Medicine, 2025-09-26同行评审本报告经二手来源核验框架表述.【B】“Agentic systems in radiology: Principles, opportunities, privacy risks…”框架对比与 AIaMD 现状. https://openaccess.city.ac.uk/id/eprint/36124/1/1-s2.0-S2211568425001858-main.pdf【B】A Review of Multi-Agent AI Systems for Biological and Clinical Data Analysis. https://dx.doi.org/10.3390/mps9020033【B】Healthark. “Guardrails and Determinism: Architecting Production-Grade RAG in High-Stakes Healthcare”. https://healthark.ai/guardrails-and-determinism-architecting-production-grade-rag-in-high-stakes-healthcare/【B】“In the search for the perfect prompt in medical AI queries.”Frontiers in Artificial Intelligence(2025). https://frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1689178/full【B】CHIMA《中国科大附一院DeepSeek 多场景诊疗业务深度融合》. https://www.chima.org.cn/Html/News/Articles/17293.html【B】央视网《莆田医疗领域部署人工智能大模型》. https://local.cctv.com/2025/03/12/ARTI2UyLXCuWMc4uNgxWixi1250312.shtml【B】人民网天津频道《天津医科大学总医院完成 DeepSeek 本地化部署》. https://tj.people.com.cn/BIG5/n2/2025/0225/c375366-41145596.html【B】CHIMA《案例分享——新医大一附院 DeepSeek 应用实践与思考》. https://www.chima.org.cn/Html/News/Articles/17448.html【B】央广网《促进规范人工智能医疗卫生应用 五部门发布实施意见》. https://news.cnr.cn/native/gd/kx/20251104/t20251104_527418437.shtml【B】Healthcare AI Insights: FDA PCCP/TPLC 实务分析. https://healthcareaiinsights.com/fda-clearance-tracker/fda-reshaping-ai-medical-device-regulation-pccp-tplc-transparency【B】《浅析 FDA〈人工智能设备软件功能〉草案要义》. 中国医药报, 2025-03-06. https://m.cnpharm.com/c/2025-03-06/1067708.shtml【B】Nirmitee. “Build AI Agents That Read and Write FHIR Data”. https://nirmitee.io/blog/agent-on-fhir-building-ai-agents-read-write-clinical-data/【B】Brillio. “The Model Context Protocol: Healthcare AI’s Missing Layer of Coherence”. https://www.brillio.com?p4767/【B】知识图谱科技《基于大模型的多智能体 AI Hospital 2025 综述》解读72 项研究. https://www.researchgate.net/publication/389582711【B】iatrox. “Clinical AI without the guesswork”. https://www.iatrox.com/blog/clinical-ai-accuracy-rag-healthcare-iatrox-nhs-assurance【B】AI in Medicine. “Avoiding Hallucinations in LLM Output: A 2025 Field Guide”. https://aimedicineupdate.com/?p2694医疗AI基础构建可靠智能体的编程路径 · 2026 深度研究报告。证据框架 A/B/C 分级全部 A/B 级论断可溯源至文末引用检索与核验截止 2026-09-04。本报告为研究性文档不构成医疗建议或投资建议引用数据的时效性以原始来源为准。