9月10日，清华大学多学科联合团队在国际医学期刊 《Nature Medicine》 发表题为 “Initial Lessons from Real-world Implementation of an AI-Agent Eye Clinic in China” 的文章。文章基于清华AI眼科诊所（AI-Agent Augmented Tsinghua Eye Clinic，AI-TEC） 的建设与真实世界实施经验，探讨医疗人工智能如何从面向单一任务的“AI辅助（AI-assisted）”模式，进一步走向深度改进临床工作流的“AI原生（AI-native）”医疗系统，并总结AI真正进入临床实践所面临的关键问题与早期经验。

随着基础模型和生成式AI快速发展，医疗AI已经在疾病诊断、风险预测和医学影像分析等任务中取得显著进展。然而，高性能算法并不必然带来更高效的医疗服务。真实临床并非一系列孤立任务的简单叠加，而是由患者、医生、检查设备、临床数据和诊疗流程共同构成的复杂系统。医疗AI面临的核心问题，正在从“AI能否准确完成某项任务”，进一步转向“AI能否真正融入临床工作流，并创造可衡量的临床价值”。

从“AI辅助”到“AI原生”

传统医疗AI大多以独立工具的形式嵌入既有临床流程，不同模型分别承担影像分析、疾病识别或风险预测等任务，最终仍需医生查看并整合多个AI输出。这种AI辅助模式未能解决临床信息碎片化、流程衔接和医疗资源配置等系统性问题，甚至可能给医生增加新的信息处理负担。

基于此，团队提出 “AI原生医疗系统（AI-native health system）” 的理念：AI不再作为附加于既有流程的外部工具，而是贯穿临床工作流，持续组织信息、支持决策并协调诊疗过程。其核心并非简单部署更多AI模型，而是重新思考AI在医疗系统中的角色，从优化单一任务走向优化整个诊疗过程。

AI-TEC整体设计

AI-TEC：以多智能体重构眼科诊疗流程

围绕这一理念，团队构建了 清华AI眼科诊所（AI-TEC） 多智能体临床框架，将不同功能的AI智能体部署于患者诊前、诊中和诊后的不同环节，包括预问诊、分诊、精准诊断、辅助决策以及患者管理等。不同于多个独立AI工具的简单组合，AI-TEC强调智能体之间的信息流转与协同：预问诊智能体组织患者症状和病史，分诊智能体进行风险分层和检查分配，精准诊断智能体整合多模态眼科数据，辅助决策智能体提供循证信息，患者支持智能体则将医疗服务延伸至教育、随访和长期管理。不同环节产生的信息能够持续传递并支持后续决策，使AI从单点工具逐渐转变为连接患者、医生、临床数据和诊疗流程的智能协同层。

2025年11月，AI-TEC原型系统被集成至北京清华长庚医院，将预问诊、眼底影像分析等AI能力嵌入日常诊疗流程。真实世界运行经验表明，AI进入临床不仅是算法问题，更是数据质量、工作流整合、医生参与和持续迭代共同构成的系统问题。 例如，经专家审核的高质量数据能显著提升AI性能，优化系统设计和操作流程能明显提升医生使用意愿，医生持续反馈能支持智能体持续进化。

从算法性能走向真实临床价值

文章指出，AI进入真实临床环境后，仅依靠准确率、敏感度或特异度等传统算法指标，已经不足以全面评价其价值。一个模型即使具有良好的技术性能，也可能因为工作流不匹配、信息展示不合理、责任边界不清晰或转诊与治疗环节衔接不足，而难以产生真正的临床获益。

AI-TEC的早期实践也揭示了一系列值得重视的问题。例如，静默试验可以在不直接影响临床决策的情况下评价系统的真实世界运行情况，但难以直接衡量AI对医生决策、医疗效率和患者结局的实际影响；真实世界参照标准本身可能存在不确定性；以疾病识别为中心的算法任务，也未必与患者的症状和就诊需求完全一致。与此同时，筛查之后能否形成有效的转诊、确诊、治疗和随访闭环，同样决定着AI能否最终转化为临床价值。

因此，医疗AI的评价需要进一步从“模型准确性”走向“AI是否真正改善医疗”——能否提高诊疗效率和可及性、优化临床决策与资源配置、减轻医生负担，并最终改善患者管理和健康结局。

医疗AI进入临床是一项系统工程

AI-TEC的探索表明，医疗AI真正进入临床，并不只是将更先进的模型部署到医院，而是需要同步推动临床流程重构、评价体系转变和治理机制建设。其价值最终不取决于部署了多少模型，而取决于是否形成了更安全、更高效、更可及、以患者为中心的医疗服务。

清华大学吴嘉敏、王亚星、戴琼海、黄天荫教授为共同通讯作者，严涛、张頔博士后为共同第一作者。研究由清华大学自动化系、北京市视觉科学与转化医学研究中心（BERI）、清华大学医学院、北京清华长庚医院等团队合作完成。