“百川智能”所提出的“循证增强”医学应用（常被称为“百川-循证医学”模式）较为详细的介绍，包括：背景、原理、实施机制、优势与挑战。

（说明：目前公开资料中，“百川-循证医学”并非一个传统已建成的医学体系，而是百川智能在其医疗大模型产品中，结合传统“循证医学（Evidence Based Medicine, EBM）”理念而提出的增强型技术路径。）

一、背景

“循证医学”是现代医学决策的重要范式，其核心在于：在临床决策时，审慎、明确、系统地 使用最佳外部研究证据 + 结合临床专业知识 + 结合患者价值与偏好。 维基百科+1

然而，在将大型语言模型（LLM）等 AI 技术应用于医疗诊断、辅助决策时，存在较为严重的问题：模型可能“生成”听起来自然但缺乏可靠证据支持、出现“幻觉”或误导，难以信赖。

为此，百川智能提出“循证增强”路径，将循证医学理念融入其医疗大模型，从而提升模型在医疗场景中的 可信度、可解释性。

二、主要原理／机制

百川智能于 2025 年 10 月推出其医疗大模型 Baichuan‑M2 Plus，其核心创新之一便是“六源循证推理范式 (EAR = Evidence-Augmented Reasoning)” 。 aistudio.baidu.com+3ithome.com+3新浪财经+3

具体来说，关键机制包括以下几个维度：

2.1 六源循证范式

该范式将医学知识与证据按六层来源分级，以构建完整、可靠的医学知识体系。 新浪财经+1

这六源包括（官方说明中列）：

• 原始研究层：包括基础研究、临床研究论文，是循证链条的起点。 新浪财经
• 证据层／系统评价层：例如系统综述/meta 分析、随机对照试验（RCT）等，是较高等级的证据。
• 指南层：权威临床指南、专家共识。
• 实践层（医生决策层）：临床医生如何在实际中应用、决策。
• 公共健康教育层：面向大众／患者的科普、健康指导。
• 真实世界层：真实世界研究数据、监管公告、大规模应用后的反馈。

通过这六层，模型不仅“知道”医学知识，也“知道其来源”、“知道其层级/可靠度”，从而应对信息混杂、可信度低的问题。 ithome.com+1

2.2 PICO-结构化检索与循证检索机制

为了让模型“找得准”医学证据，而不仅是“找得到”，系统采用 PICO（Population、Intervention、Comparison、Outcome）结构，将用户提问转换为结构化医学问题，再在上述六源数据库中进行层次化匹配。 ithome.com+1

例如，当询问“老年 OSA 患者使用 CPAP 能否改善高血压？”时，系统会拆解为人群（老年 OSA 患者）、干预（CPAP）、对照（无 CPAP）、结果（高血压改善）等维度，然后在高等级证据中检索。 ithome.com

2.3 循证增强训练与“引用而非臆测”逻辑

模型不仅检索，更在生成答案时“有据可依”：

• 模型训练阶段奖励模型准确引用权威来源，惩罚无引用或“自由发挥”的回答。 news.10jqka.com.cn+1
• 内置“证据评估器”模块，模型能够评估检索到证据的可信度（如：是否为 RCT、样本量如何、置信区间）并优先使用高等级证据。 zhuanlan.zhihu.com
• 最终输出中，会附上参考文献、指南出处，让回答具备“可回溯、可验证”的特性。 hub.baai.ac.cn

2.4 模型在临床／科研场景中的应用

该模型被用于支持临床决策、快速文献综述、靶向药物选择、科研热点捕捉等场景。报告指出，其“幻觉率”较通用大模型显著降低（与 DeepSeek 相比降低约三倍）且在多国医学考试中成绩优异。 vbdata.cn+1

三、优势

“百川-循证医学”这一模式具有以下几个明显优势：

• 可靠性提升：通过结构化检索、证据分层与引用逻辑，模型产生答案更可信，减少无依据的“猜测”。
• 可解释性增强：答案不仅给出结论，还附带出处，使使用者能追溯证据来源；提高了在医疗场景中的可接受性。
• 效率提升：医生或研究人员可通过该系统快速定位高等级证据、节省查找文献时间，从而加速决策或研究。
• 应用范围广：不仅限于临床诊断，还可用于科研热点、真实世界数据分析、指南更新等；模型表现也显示出在多国医学考试中的高分。

四、挑战与需注意事项

尽管优势明显，但仍有一些挑战与限制需注意：

• 证据更新与覆盖：医学研究高速发展，如何持续更新数据库、覆盖最新 RCT 与真实世界研究，是一个挑战。百川智能报告中提及其知识库“以天为单位进行动态更新”。 qbitai.com
• 证据等级与适用性：高等级证据（如 RCT、meta 分析）并不总是存在于所有临床问题；某些罕见病或新疗法可能只有初步研究。如何在证据欠缺时合理推理，是系统必须面对的问题。
• 个体化差异：循证医学强调将研究证据与个体患者情况结合。AI系统虽然基于证据，但在实际临床中仍需结合患者偏好、体质、合并症等。模型不能完全替代医生判断。
• 监管／伦理／责任：当模型参与诊疗建议生成时，其法律责任、伦理问题、医疗纠错机制也成为不可忽视的问题。
• 过度信赖风险：即便模型“引用”了文献，也可能由于文献偏倚、研究质量问题、适应性差异等导致结论不完全适用。使用者仍应保有判断。

五、对您的项目可能的启示

结合您在 WAO（Word-AIVATAR-OS）及语义/AI/医学/人格训练等领域的规划，这里有几个启示：

• 若您计划在人机交互、AI 医疗辅助、语义人格／数字人格（如 AIVATAR）中引入医学模块，“循证增强”是一个很值得借鉴的模式：即不仅让模型有“知识”，更让其“基于可追溯证据”进行推理。
• 在您的系统设计中，可以考虑建立「证据分层库 + 检索框架 (如 PICO) + 引用/可溯源机制 +模型输出验证机制」这条逻辑链。
• 在构建白皮书或技术架构时，可以将“从传统 EBM 到 AI 循证增强”作为一个子章节，说明您如何保证 AI 模型的“可信度”“可解释性”“责任链条”。
• 在用户培训、市场定位、合规与信任构建方面，可以强调“我们采用循证增强医学-AI流程”以增强医患/用户信赖。