摘要随着人工智能技术的快速迭代大语言模型LLM、多模态基础模型以及基于大语言模型的智能Agent已经成为现代医疗健康体系数字化、智能化转型的核心驱动力。不同于传统依赖任务小规模数据集的机器学习与深度学习方法当代医学人工智能以基础模型为主导具备强大的通用理解、跨模态推理与自主决策能力广泛应用于电子病历分析、医学影像诊断、临床决策支持、药物研发以及个性化医疗等场景。本文基于2023‑2026年17篇国内外最新综述文献系统梳理面向医学领域的大语言模型、多模态模型、单/多智能Agent的基础概念、核心技术与层级架构。重点补充Transformer底层架构由来与原理、大模型关键推理技术提示词工程、上下文学习、思维链以及测试时训练TTS推理优化方法并着重阐释智能Agent的自主规划推理与自我反思两大核心高阶能力。本文全面归纳大语言模型与LLM‑Agent技术在健康医疗与医学专业场景下的研究进展通过细分二级小标题梳理各类技术的落地场景与应用价值系统分析当前医学AI存在的数据质量约束、模型幻觉、跨模态融合缺陷、Agent协同低效、医学伦理风险等关键瓶颈。最后对医学人工智能未来发展方向进行展望包括以数据为中心的模型优化、可靠医疗Agent构建、医疗应用标准化评估以及伦理规范体系完善。本综述旨在为人工智能在医学领域的创新研究与产业落地提供系统的理论支撑与应用参考。关键词大语言模型多模态模型大模型智能Agent医学人工智能推理优化自主规划自我反思1 引言近十年来人工智能在自然语言处理、计算机视觉、自主决策领域取得革命性突破逐步从面向单一任务的专用模型演变为具备强泛化能力的通用基础模型。医疗健康作为人工智能落地的重要垂直领域对专业性、准确性、安全性与可解释性有着极高要求这也对人工智能应用提出更高的技术标准。传统医学人工智能大多局限于医学图像分割、电子病历结构化分类等单一场景任务跨任务泛化能力弱难以适配临床中大量不确定的复杂诊疗场景无法满足现代医疗对智能化、自动化、个性化服务日益增长的需求。自2023年起以GPT系列、Llama为代表的大语言模型开启了医学人工智能研究的新阶段。依托Transformer架构的强大并行建模能力配合提示词工程、上下文学习、思维链推理、测试时训练优化等关键推理技术大语言模型具备了强大的医学文本理解、专业医学知识推理与临床文本生成能力。在此基础之上多模态基础模型融合文本、医学影像、生理信号等异构医疗数据突破传统大语言模型只能处理文本的局限实现对多维医疗信息的综合感知与分析。近年来基于大语言模型的Agent技术进一步由单智能体向多智能体协同系统演进依托自主规划推理与迭代自我反思能力赋予医学AI任务规划、工具调用、交互式决策、多角色协同服务的能力逐步向具备自主服务能力的医疗智能机器人方向演进。目前国内外学者已经围绕医学大语言模型、医学多模态模型、医疗AI Agent开展大量综述研究覆盖模型原理、应用场景与现存挑战。现有研究形成了从基础理论到产业应用的完整研究体系但多数综述缺少对LLM底层关键推理技术、Agent核心智能能力的针对性梳理且应用场景阐述零散、层级不够清晰。本文以17篇2023‑2026年高质量综述文献为基础搭建完整、层级清晰的医学AI技术与应用框架细化底层技术原理与应用细分场景系统总结技术优势与现存缺陷精准展望行业未来发展趋势。2 背景与概念现代医学人工智能的核心技术体系由三类递进互补的模块构成大语言模型LLM、多模态基础模型、基于大语言模型的智能Agent。其中大语言模型是医学AI文本理解与推理的基础载体其性能依托Transformer架构与各类推理优化技术实现跃升多模态模型在大语言模型基础上拓展医学AI的数据感知维度实现图文跨模态融合与多维数据联合推理LLM‑Agent依托大模型的基础推理能力叠加自主规划推理与自我反思迭代两大高阶核心能力彻底摆脱被动应答模式实现医学AI任务自主执行、纠错优化与迭代协同。三项技术形成从单文本认知、跨模态融合感知最终走向自主智能决策的完整技术演进路径。本章系统阐述三类技术的底层架构、基础概念、核心技术机制、分类特征以及医学领域适配原理重点补齐Transformer由来、LLM核心推理与优化技术、Agent高阶智能特性为后续分层应用场景分析提供扎实理论支撑。2.1 Transformer架构基础与大语言模型核心技术2.1.1 Transformer的由来与底层原理在大语言模型诞生前自然语言处理领域长期依赖RNN、LSTM、GRU等循环神经网络完成时序文本建模。但循环神经网络采用串行迭代计算模式无法实现并行训练不仅训练效率极低且难以捕捉长文本远距离语义依赖无法支撑超长医学文本、大规模模型的训练与建模需求存在显著技术瓶颈。2017年Google团队提出Transformer架构彻底颠覆传统时序建模范式凭借全局自注意力机制与全并行计算优势成为当前所有大语言模型、多模态基础模型的统一底层核心架构。Transformer核心依托自注意力机制Self-Attention可直接建模文本任意字符、词语间的语义关联精准捕捉医学文献、长病历、完整诊疗记录等超长文本的逻辑关系与知识关联完美适配医学领域长文本建模场景。标准Transformer包含编码器Encoder和解码器Decoder两大模块编码器侧重文本特征提取与语义理解多用于电子病历结构化、医学文本分类、症状识别等感知类任务解码器侧重序列生成与逻辑推理多用于医学问答、诊疗方案生成、学术文本撰写等生成类任务编解码混合架构则适配复杂跨序列转换任务。正是依托Transformer全局建模、并行训练、长依赖捕捉的核心优势大语言模型得以实现千亿、万亿级参数规模化迭代奠定了现代医学人工智能的技术底座。2.1.2 LLM预训练与后训练机制大语言模型基于Transformer架构采用行业通用的预训练-后训练两阶段训练范式完成能力构建是模型实现通用认知与专业医学适配的核心机制。预训练阶段依托海量通用文本与无标注医学语料通过掩码语言建模、下一词预测等自监督任务自主学习通用语法规则、语义逻辑与基础医学常识完成通用能力积累。医学领域可通过继续预训练方式植入医学术语、临床诊疗逻辑、疾病发病机制、权威诊疗指南等专业知识弥补通用模型医学认知缺失的短板。后训练阶段是通用大模型落地医学场景的关键环节通过监督微调SFT、指令微调IFT、参数高效微调PEFT、人类反馈强化学习RLHF等技术针对性适配各类医学任务修正模型输出偏差抑制模型固有幻觉问题约束模型输出符合临床规范与医学权威标准实现从通用大模型到专业化医疗大模型的精准转型。2.1.3 LLM核心推理技术Prompt、ICL、CoT区别于传统依赖参数微调的性能优化方式现代大语言模型可在推理阶段无需更新模型参数通过轻量化推理技术大幅提升医学任务精度与泛化能力是医疗大模型轻量化落地、适配复杂临床场景的核心技术主要包含Prompt提示词工程、上下文学习、思维链推理三大核心技术。提示词工程Prompt EngineeringPrompt是人机交互的核心指令载体通过设计结构化、规范化、领域专属的提示词可精准定义医学任务类型、输出格式、权威依据与严谨度要求。在医疗场景中优质Prompt可强制模型依托医学知识库作答杜绝无依据臆断精准适配病历结构化、疾病咨询、文献归纳、用药合规分析等多样化任务是医疗大模型零样本、少样本落地的基础手段。上下文学习In-Context Learning, ICL作为大模型核心涌现能力ICL无需微调模型参数仅需在输入提示词中植入少量医学任务示例模型即可模仿示例逻辑完成全新同类任务推理。针对医学领域高质量标注数据稀缺的行业痛点ICL可快速适配罕见病识别、特殊病历分类、医学实体抽取等小众场景大幅降低医疗AI落地成本提升模型泛化能力。思维链推理Chain of Thought, CoT传统大模型直接输出最终结果无中间推理链路面对复杂疾病鉴别诊断、多因素病因分析、个体化用药方案推导等复杂医学任务极易出现逻辑漏洞与错误。CoT通过引导模型拆解分步推理逻辑按照“症状梳理-指标解读-疾病匹配-禁忌筛查-方案推导”的临床思维分步运算让医学推理过程可追溯、可解释、可校验大幅提升复杂临床任务的准确率与可靠性是当前医疗大模型解决高阶诊疗问题的核心技术。2.1.4 推理优化技术测试时训练TTS为解决固定训练模型在动态临床场景泛化性不足的问题学界引入测试时训练Test-Time Training, TTS前沿推理优化技术实现模型推理阶段的自适应优化。区别于训练阶段的离线参数更新TTS无需大规模数据集与离线微调仅在模型推理测试过程中利用当前实时输入的病历数据、检验指标、影像报告文本等临床信息开展轻量化自监督迭代优化动态适配当前样本的场景特征与数据分布。临床场景中不同医院、不同病种、不同人群的医疗数据分布存在显著差异固定预训练模型极易出现适配偏差。TTS可实现样本级动态自适应调优有效提升模型在非典型病例、区域性疾病、小众罕见病场景的推理精度与鲁棒性同时不增加模型部署成本是轻量化优化医疗大模型推理性能的重要技术方向。2.2 多模态技术视觉‑语言模态、多模态模型单纯文本型大语言模型仅能处理文字类医疗数据无法适配现代临床诊疗“影像文本生理信号”的多维综合诊断需求。医学多模态基础模型以大语言模型为语义理解主干融合医学影像、病理切片、心电时序信号、药物分子结构、基因数据等异构医疗信息实现跨模态特征对齐、统一表征与联合推理打破各类医疗数据的信息孤岛弥补单文本模型感知维度单一的缺陷。当前医学多模态研究以视觉-语言模态为核心主流技术体系最为成熟、落地场景最为广泛。2.2.1 视觉-语言模态融合机制视觉-语言模态聚焦医学图像与临床文本的协同融合分析核心依托对比学习与特征对齐技术为CT、MRI、X光、眼底影像、病理切片等医学视觉数据与诊断报告、临床主诉、疾病标签、诊疗指南等文本数据构建统一特征空间。传统计算机视觉仅能完成病灶分割、检测、分类缺乏临床语义约束可解释性差、易受图像噪声干扰。而视觉-语言融合模型可通过专业医学文本语义约束图像特征学习同步实现病灶视觉识别与临床逻辑推理贴合医生综合诊疗思维。2.2.2 医学多模态模型架构与技术优势CLIP对比预训练框架是医学视觉-语言多模态模型的基础架构医学专属CLIP通过医疗图文配对数据完成领域预训练实现影像特征与专业医学语义的细粒度对齐在罕见病影像诊断、非典型病灶识别场景具备极强零样本泛化能力。现代医学多模态模型进一步拓展融合维度集成时序生理信号、基因组数据、药物数据构建全维度医疗数据分析体系。整体架构包含单模态特征提取、跨模态特征对齐、自适应特征融合、多任务解码四大模块可有效整合多源医疗信息提升诊断全面性、鲁棒性与可解释性缓解传统医学AI黑盒问题。2.3 基于大语言模型的Agent单智能体与多智能体LLM-Agent是大模型技术迭代的高阶形态依托LLM基础语义理解与推理能力叠加自主规划推理与自我反思迭代两大核心智能能力彻底突破传统LLM被动应答的局限具备主动感知、任务拆解、工具调用、自主决策、纠错优化的闭环智能特性。按照智能实体数量与协作模式医疗Agent可分为单智能体与多智能体系统分别适配标准化简单医疗任务与多链路复杂协同诊疗场景是未来智慧医疗自主化、智能化升级的核心载体。2.3.1 核心能力一自主规划与逻辑推理自主规划推理是医疗Agent区别于基础LLM的核心基础能力。传统大模型仅能响应单一、简单的用户指令无法处理多步骤、多约束、长链条的复杂医疗任务。医疗Agent可依托大模型CoT推理逻辑结合专业医疗业务规则自主完成复杂任务拆解将多学科诊疗、全周期健康管理、新药研发等综合性复杂任务拆解为逻辑有序、可分步执行的标准化子任务链路。在临床场景中Agent可自主完成“信息采集-特征分析-风险判别-方案推导”的全流程推理高度模拟临床医生诊疗思维大幅提升复杂医疗任务的自主处理能力。2.3.2 核心能力二自我反思与迭代优化自我反思是医疗Agent保障医疗服务安全性、精准性的标志性高阶能力也是医疗AI落地临床的核心保障机制。Agent完成单次任务推理与结果输出后会自主启动复盘校验机制从医学逻辑合理性、诊疗规范符合性、结论准确性、信息完整性等多维度校验输出结果主动排查模型幻觉、逻辑矛盾、结论偏差与知识漏洞。若发现错误或缺陷Agent会自主调取医学知识库、补充推理步骤、修正决策结果实现推理-输出-反思-纠错-迭代优化的闭环升级持续提升诊疗准确性与合规性有效降低医疗AI误诊、误判风险。2.3.3 单智能体与多智能体差异化特性单智能体架构轻量化、响应速度快、部署成本低依托基础规划与反思能力适配智能问诊、病历整理、单病种辅助诊断、文献检索等标准化常规医疗任务服务稳定性强。多智能体系统由多个功能差异化的单智能体协同组成通过角色分工、信息交互、交叉校验、联合反思完成复杂多学科医疗任务的协同求解具备更强的复杂问题处理能力与容错能力适配疑难病会诊、个体化精准诊疗、多模块药物研发等高端复杂场景。3 大语言模型在健康医疗领域的应用健康医疗场景聚焦普惠公共服务、医院智能化运营、全民健康监测与公共卫生防控侧重服务高效性、标准化与普适性。大语言模型凭借强大的文本处理、知识推理与少样本泛化能力已实现全场景规模化落地具体可划分为三大细分应用模块。3.1 公共健康智能咨询与科普服务医学大语言模型可提供7×24小时全天候无间断普惠健康服务涵盖常见病科普、居家护理指导、安全用药咨询、轻症风险判别等基础服务。依托海量标准化医学科普数据与临床病例资源模型可精准区分轻症、重症风险为普通民众提供科学、合规、通俗易懂的健康指导有效分流线下门诊压力提升基层公共健康服务覆盖率。同时可结合用户个人体检数据、生活习惯、病史信息生成个性化饮食、运动、作息调理方案实现从被动咨询到主动健康干预的升级。3.2 电子健康档案智能化处理与医院运营医院海量门诊日志、住院记录、护理文书均为非结构化自由文本传统人工整理、统计、归档效率低下、误差较大。大语言模型可自动完成医疗文本清洗、关键信息抽取、结构化归档与数据统计分析精准提取患者基本信息、症状特征、诊断结果、用药方案、病程变化等核心数据生成标准化电子健康档案支撑院内病例统计、疾病趋势分析、医疗资源调度。同时可辅助完成医院公文撰写、患者投诉处理、流程优化等行政工作全面提升医院数字化、智能化运营水平。3.3 公共卫生监测与疫情风险预警大语言模型可批量挖掘分析区域线上问诊数据、入院病例数据、公共卫生报告文本自动识别传染病、季节性流行病的发病趋势、地域分布特征与风险诱发因素实现公共卫生风险动态监测与异常预警。相较于传统人工统计模式LLM具备秒级批量处理能力可快速捕捉突发公共卫生事件苗头为疾控防控、卫生政策调整、医疗资源前置调配提供实时、精准的数据支撑大幅提升公共卫生应急响应效率。4 大语言模型在医学专业领域的应用医学专业场景聚焦高精度临床诊疗、前沿医学科研、生物医药研发对模型的专业性、准确性、权威性、严谨性要求极高。经过医学数据微调、CoT推理赋能、TTS优化的大语言模型可全方位赋能专业医学工作核心分为三大应用方向。4.1 临床辅助诊断与个体化诊疗依托思维链推理与精准Prompt约束医学大模型可深度辅助临床诊疗工作。针对常见多发病模型可结合患者症状、检验报告、影像文本报告对照权威临床指南输出标准化诊断意见与治疗方案针对疑难杂症、罕见病可整合海量中外文献、临床案例与前沿研究成果为医生提供多维度参考弥补个人知识与经验盲区。同时可辅助完成个体化用药方案设计主动筛查药物禁忌、规避不良反应提升临床诊疗的标准化、精准化与安全性。4.2 医学文献分析与科研辅助医学文献更新速度快、体量庞大科研人员难以全面跟进领域前沿动态。大语言模型可实现海量中英文文献的智能检索、分类归纳、热点梳理、创新点挖掘快速凝练领域研究现状、研究空白与前沿方向。同时可辅助科研人员完成实验方案设计、数据结果解读、学术论文撰写、课题思路打磨大幅降低重复性科研劳动缩短研究周期加速基础医学研究与临床成果转化。4.3 新药研发与生物信息分析大语言模型可深度学习基因序列、蛋白质结构、疾病发病机制、药物靶点、化合物属性等生物医学知识赋能生物医药研发全流程。可辅助科研人员完成药物靶点筛选、新型药物分子设计、化合物活性预测、临床试验数据复盘分析有效缩短新药研发周期、降低研发成本与试错风险为精准医药研发、生物信息挖掘、靶向药物创新提供全新技术支撑。5 LLM-Agent在健康医疗领域的应用具备自主规划推理与自我反思迭代能力的LLM-Agent突破了基础LLM被动应答、单次输出的局限可实现多步骤、全流程、闭环式主动健康服务在普惠健康医疗场景实现精细化、智能化升级核心包含三大细分应用场景。5.1 全生命周期个性化健康管理医疗单智能体可作为用户专属智能健康管家长期持续记录用户体检数据、用药记录、既往病史、生活作息与饮食习惯动态监测身体状态与健康风险。依托自我反思迭代能力Agent可动态优化健康评估模型精准识别亚健康、慢性病恶化、潜在发病等各类风险主动推送复查提醒、饮食干预、运动调理、作息优化方案构建覆盖预防、监测、干预、随访的全生命周期主动健康管理体系实现千人千面的个性化健康服务。5.2 智慧医院全流程智能服务多智能体协同系统可打通患者就医、院内护理、医院运营全流程服务链路。导诊智能体负责线上挂号、就医咨询、科室指引、流程讲解护理智能体实时监测患者生命体征、自动生成护理记录、预警护理风险运营智能体统筹医疗资源调度、床位管理、运营数据分析、服务压力预判。多智能体通过协同规划、交叉反思纠错保障院内服务高效、精准、有序运转有效简化就医流程、提升患者就医体验、优化医院运营效率。5.3 慢性病精细化管理与公共应急防控针对高血压、糖尿病、冠心病等高发慢性病Agent可实现7×24小时动态指标监测、用药依从性监督、病情风险预判结合患者病情变化持续反思优化干预方案实现慢性病长期、精细化、动态化管控。在公共卫生应急场景中多智能体系统可快速拆解应急任务、评估区域疫情风险、辅助医疗资源调度、推送防控科普信息大幅提升突发公共卫生事件的响应速度与处置能力。6 LLM-Agent在医学专业领域的应用依托强大的自主规划推理、多角色协同与自我反思纠错能力医疗Agent突破传统AI单一任务局限可支撑复杂、高精度、闭环式专业医学工作深度赋能临床诊疗、精准医疗、科研创新核心场景。6.1 多学科协同辅助诊疗多智能体系统通过专业化角色分工分别承担影像分析、检验报告解读、病史梳理、诊疗方案制定、结果校验等细分任务。各智能体独立完成专业推理再通过交叉校验、联合反思、逻辑对齐整合影像、检验、病史、指南、文献等多维度医疗信息模拟临床多学科会诊思维输出全面、严谨、可追溯的综合诊疗方案。针对复杂合并症、疑难罕见病可有效规避单一维度分析的误诊风险大幅提升复杂疾病诊疗精度。6.2 精准医疗与康复闭环管理医疗Agent可结合患者基因特征、身体基础状态、病情进展规律、药物耐受反应等个性化信息自主规划动态化、个体化治疗方案并通过持续自我反思修正方案细节、优化用药剂量与治疗节奏实现精准诊疗。在术后与康复阶段Agent实时跟踪患者康复进度动态调整康复训练、饮食、作息、用药随访方案构建“诊断-治疗-康复-随访-迭代优化”的全闭环精准医疗体系。6.3 智能化医学科研与新药研发多智能体科研集群可自主完成医学文献挖掘、研究热点预判、实验方案设计、科研数据分析、结果校验复盘通过迭代反思修正科研偏差提升研究精准度与创新性。在新药研发领域智能体可自主完成药物靶点筛选、分子结构优化、临床试验数据复盘、药效与不良反应规律总结自动化完成多环节研发工作大幅提升医学科研与新药研发的智能化水平缩短创新周期、降低研发成本。7 挑战与发展方向当前大语言模型、多模态模型、LLM-Agent已在健康医疗与专业医学领域取得阶段性突破但数据缺陷、模型性能短板、Agent机制不完善、伦理监管缺失等核心瓶颈严重制约医学AI的大规模临床落地与规模化商用。本文结合2023-2026年最新综述研究从四大维度总结现存挑战并梳理未来核心发展方向。数据层面数据质量参差不齐与隐私共享约束是首要瓶颈。临床电子病历存在记录标准不统一、信息残缺、数据异质性强、标注质量低等问题导致模型泛化能力弱、鲁棒性不足同时医疗数据涉及患者隐私严格的行业监管限制数据公开共享高质量标注医疗数据集稀缺难以支撑模型高精度迭代。此外多模态数据图文匹配精度不足、异构数据融合难度大进一步限制多模态模型性能提升。模型性能层面幻觉问题、推理精度不足、可解释性差是核心缺陷。医学大模型易生成虚假医学知识、矛盾诊疗结论存在临床安全隐患多数模型缺乏医学知识图谱约束对疑难复杂疾病、非典型临床场景的逻辑推理能力薄弱同时医学AI普遍存在黑盒问题推理链路不透明、结果不可追溯无法满足临床诊疗的安全核验要求。即便引入CoT、TTS等优化技术极端复杂场景下的推理稳定性仍有待提升。Agent技术层面自主智能稳定性与协同效率存在明显短板。单智能体环境感知能力有限面对不确定、复杂化的临床场景易出现推理偏差自我反思纠错不彻底多智能体系统存在角色分工不合理、信息交互冗余、决策逻辑不一致等问题协同效率低、输出结果不稳定。同时行业尚未形成统一的医疗Agent评测标准无法定量评估Agent的推理能力、反思效果与临床适配性。伦理监管层面存在责任界定模糊、诊疗偏见、隐私泄露等潜在风险。当前医学AI缺乏明确的医疗责任划分机制模型误诊导致的医疗纠纷难以界定开发者、医院、使用者责任训练数据偏差易引发模型诊疗偏见造成医疗不公平医疗数据智能化处理过程中存在患者隐私信息泄露的安全隐患。针对以上挑战未来医学人工智能的核心发展方向如下第一构建以数据为中心的医学模型优化体系规范医疗数据预处理、脱敏、标注流程突破数据安全共享技术提升训练数据质量与规模第二深度融合Prompt、ICL、CoT、TTS等推理优化技术结合医学知识图谱约束模型输出抑制幻觉、提升推理精度与可解释性第三完善LLM-Agent技术体系强化单智能体规划推理与反思能力优化多智能体协同机制建立标准化医疗Agent评测体系第四健全医学AI伦理监管体系厘清医疗责任划分标准规范数据安全管理规避诊疗偏见与伦理风险第五推动LLM、多模态模型、智能Agent深度融合构建全场景、全周期、高精度的智慧医疗服务体系。参考文献[1] M Wornow, Y Xu, R Thapa, and et al., “ The Shaky Foundations of Clinical Foundation Models: A Survey of Large Language Models and Foundation Models for EMR. arXiv 2303.1296, Mar 2023.[2] W X Zhao, K Zhou, J Li, and et al., “A Survey of LLMs”, arXiv 2303.18223, Mar. 2023.[3] Z. Xi, W. Chen, X. Guo, and, et al., “The rise and potential of LLM based agents: A survey”, arXiv 2309.07864, Sep., 2023.[4] B. Azad, R. Azad, S. Eskandari, and et al., “Foundational models in medical imaging: A comprehensive survey and future vision,” arXiv 2310.18689, Oct 2023.[5] H Zhou, F Liu, B Gu, and et al., “A survey of LLMs in medicine: Progress, application, and challenge”, arXiv 2311.05112, Nov, 2023.[6] Z. Zhao, Y. Liu, H. Wu, and Q. Wang et al., “CLIP in medical imaging: A comprehensive survey,” arXiv 2312.07353, 2023.[7] Y. Zhang, J. Gao, Z. Tan, and et al., “Data‑centric foundation models in computational healthcare: A survey,” arXiv 2401.02458, 2024.[8] T. Guo, X. Chen, Y. Wang, and et al., “LLM based multi‑agents: A survey of progress and challenges”, arXiv 2402.01680, Feb 2024.[9] Y Zheng, Wensheng Gan, Zefeng Chen, and et al., “LLMs for Medicine: A Survey”, arXiv 2405.13055, May 2024.[10] W Khan, S Leem, K B. See, and et al., “A Comprehensive Survey of Foundation Models in Medicine”, arXiv 2406.10729, Jan. 2025.[11] K He, R Mao, Q Lin, and et al., “A survey of LLMs for healthcare: from data, technology, and applications to accountability and ethics”, arXiv 2310.05694, Information Fusion, Jan. 2025.[12] W Wang, Z Ma, Z Wang, and et al., “A Survey of LLM‑based Agents in Medicine: How far are we from Baymax?” arXiv 2502.11211, Feb. 2025.[13] S Maity and M J Saikia, “LLMs in Healthcare and Medical Applications: A Review”, MDPI Bioengineering, 12, 631, June 2025.[14] W. Ren, J. Zhu, Z. and et al., “A comprehensive survey of electronic health record modeling: From deep learning approaches to LLMs”, arXiv 2507.12774, July 2025.[15] X Hu,Y Qian, J Yu, and et al. 2025. “The Landscape of Medical Agents: A Survey”. TechRxiv 176581395.56964766, Jan. 2026.[16] L Zhao, S Liu, T Xin, and et al., “AI agent in healthcare: applications, evaluations, and future directions”, npi Artificial Intelligence review 2:3, 2026.[17] G Xu, X Li, Y Chen, and et al., “A comprehensive survey of AI agents in healthcare”, Journal of Biomedical Informatics 179, April 2026. 摘要随着人工智能技术的快速迭代大语言模型LLM、多模态基础模型以及基于大语言模型的智能Agent已经成为现代医疗健康体系数字化、智能化转型的核心驱动力。不同于传统依赖任务小规模数据集的机器学习与深度学习方法当代医学人工智能以基础模型为主导具备强大的通用理解、跨模态推理与自主决策能力广泛应用于电子病历分析、医学影像诊断、临床决策支持、药物研发以及个性化医疗等场景。本文基于2023‑2026年17篇国内外最新综述文献系统梳理面向医学领域的大语言模型、多模态模型、单/多智能Agent的基础概念、核心技术与层级架构。重点补充Transformer底层架构由来与原理、大模型关键推理技术提示词工程、上下文学习、思维链以及测试时训练TTS推理优化方法并着重阐释智能Agent的自主规划推理与自我反思两大核心高阶能力。本文全面归纳大语言模型与LLM‑Agent技术在健康医疗与医学专业场景下的研究进展通过细分二级小标题梳理各类技术的落地场景与应用价值系统分析当前医学AI存在的数据质量约束、模型幻觉、跨模态融合缺陷、Agent协同低效、医学伦理风险等关键瓶颈。最后对医学人工智能未来发展方向进行展望包括以数据为中心的模型优化、可靠医疗Agent构建、医疗应用标准化评估以及伦理规范体系完善。本综述旨在为人工智能在医学领域的创新研究与产业落地提供系统的理论支撑与应用参考。关键词大语言模型多模态模型大模型智能Agent医学人工智能推理优化自主规划自我反思1 引言近十年来人工智能在自然语言处理、计算机视觉、自主决策领域取得革命性突破逐步从面向单一任务的专用模型演变为具备强泛化能力的通用基础模型。医疗健康作为人工智能落地的重要垂直领域对专业性、准确性、安全性与可解释性有着极高要求这也对人工智能应用提出更高的技术标准。传统医学人工智能大多局限于医学图像分割、电子病历结构化分类等单一场景任务跨任务泛化能力弱难以适配临床中大量不确定的复杂诊疗场景无法满足现代医疗对智能化、自动化、个性化服务日益增长的需求。自2023年起以GPT系列、Llama为代表的大语言模型开启了医学人工智能研究的新阶段。依托Transformer架构的强大并行建模能力配合提示词工程、上下文学习、思维链推理、测试时训练优化等关键推理技术大语言模型具备了强大的医学文本理解、专业医学知识推理与临床文本生成能力。在此基础之上多模态基础模型融合文本、医学影像、生理信号等异构医疗数据突破传统大语言模型只能处理文本的局限实现对多维医疗信息的综合感知与分析。近年来基于大语言模型的Agent技术进一步由单智能体向多智能体协同系统演进依托自主规划推理与迭代自我反思能力赋予医学AI任务规划、工具调用、交互式决策、多角色协同服务的能力逐步向具备自主服务能力的医疗智能机器人方向演进。目前国内外学者已经围绕医学大语言模型、医学多模态模型、医疗AI Agent开展大量综述研究覆盖模型原理、应用场景与现存挑战。现有研究形成了从基础理论到产业应用的完整研究体系但多数综述缺少对LLM底层关键推理技术、Agent核心智能能力的针对性梳理且应用场景阐述零散、层级不够清晰。本文以17篇2023‑2026年高质量综述文献为基础搭建完整、层级清晰的医学AI技术与应用框架细化底层技术原理与应用细分场景系统总结技术优势与现存缺陷精准展望行业未来发展趋势。2 背景与概念现代医学人工智能的核心技术体系由三类递进互补的模块构成大语言模型LLM、多模态基础模型、基于大语言模型的智能Agent。其中大语言模型是医学AI文本理解与推理的基础载体其性能依托Transformer架构与各类推理优化技术实现跃升多模态模型在大语言模型基础上拓展医学AI的数据感知维度实现图文跨模态融合与多维数据联合推理LLM‑Agent依托大模型的基础推理能力叠加自主规划推理与自我反思迭代两大高阶核心能力彻底摆脱被动应答模式实现医学AI任务自主执行、纠错优化与迭代协同。三项技术形成从单文本认知、跨模态融合感知最终走向自主智能决策的完整技术演进路径。本章系统阐述三类技术的底层架构、基础概念、核心技术机制、分类特征以及医学领域适配原理重点补齐Transformer由来、LLM核心推理与优化技术、Agent高阶智能特性为后续分层应用场景分析提供扎实理论支撑。2.1 Transformer架构基础与大语言模型核心技术2.1.1 Transformer的由来与底层原理在大语言模型诞生前自然语言处理领域长期依赖RNN、LSTM、GRU等循环神经网络完成时序文本建模。但循环神经网络采用串行迭代计算模式无法实现并行训练不仅训练效率极低且难以捕捉长文本远距离语义依赖无法支撑超长医学文本、大规模模型的训练与建模需求存在显著技术瓶颈。2017年Google团队提出Transformer架构彻底颠覆传统时序建模范式凭借全局自注意力机制与全并行计算优势成为当前所有大语言模型、多模态基础模型的统一底层核心架构。Transformer核心依托自注意力机制Self-Attention可直接建模文本任意字符、词语间的语义关联精准捕捉医学文献、长病历、完整诊疗记录等超长文本的逻辑关系与知识关联完美适配医学领域长文本建模场景。标准Transformer包含编码器Encoder和解码器Decoder两大模块编码器侧重文本特征提取与语义理解多用于电子病历结构化、医学文本分类、症状识别等感知类任务解码器侧重序列生成与逻辑推理多用于医学问答、诊疗方案生成、学术文本撰写等生成类任务编解码混合架构则适配复杂跨序列转换任务。正是依托Transformer全局建模、并行训练、长依赖捕捉的核心优势大语言模型得以实现千亿、万亿级参数规模化迭代奠定了现代医学人工智能的技术底座。2.1.2 LLM预训练与后训练机制大语言模型基于Transformer架构采用行业通用的预训练-后训练两阶段训练范式完成能力构建是模型实现通用认知与专业医学适配的核心机制。预训练阶段依托海量通用文本与无标注医学语料通过掩码语言建模、下一词预测等自监督任务自主学习通用语法规则、语义逻辑与基础医学常识完成通用能力积累。医学领域可通过继续预训练方式植入医学术语、临床诊疗逻辑、疾病发病机制、权威诊疗指南等专业知识弥补通用模型医学认知缺失的短板。后训练阶段是通用大模型落地医学场景的关键环节通过监督微调SFT、指令微调IFT、参数高效微调PEFT、人类反馈强化学习RLHF等技术针对性适配各类医学任务修正模型输出偏差抑制模型固有幻觉问题约束模型输出符合临床规范与医学权威标准实现从通用大模型到专业化医疗大模型的精准转型。2.1.3 LLM核心推理技术Prompt、ICL、CoT区别于传统依赖参数微调的性能优化方式现代大语言模型可在推理阶段无需更新模型参数通过轻量化推理技术大幅提升医学任务精度与泛化能力是医疗大模型轻量化落地、适配复杂临床场景的核心技术主要包含Prompt提示词工程、上下文学习、思维链推理三大核心技术。提示词工程Prompt EngineeringPrompt是人机交互的核心指令载体通过设计结构化、规范化、领域专属的提示词可精准定义医学任务类型、输出格式、权威依据与严谨度要求。在医疗场景中优质Prompt可强制模型依托医学知识库作答杜绝无依据臆断精准适配病历结构化、疾病咨询、文献归纳、用药合规分析等多样化任务是医疗大模型零样本、少样本落地的基础手段。上下文学习In-Context Learning, ICL作为大模型核心涌现能力ICL无需微调模型参数仅需在输入提示词中植入少量医学任务示例模型即可模仿示例逻辑完成全新同类任务推理。针对医学领域高质量标注数据稀缺的行业痛点ICL可快速适配罕见病识别、特殊病历分类、医学实体抽取等小众场景大幅降低医疗AI落地成本提升模型泛化能力。思维链推理Chain of Thought, CoT传统大模型直接输出最终结果无中间推理链路面对复杂疾病鉴别诊断、多因素病因分析、个体化用药方案推导等复杂医学任务极易出现逻辑漏洞与错误。CoT通过引导模型拆解分步推理逻辑按照“症状梳理-指标解读-疾病匹配-禁忌筛查-方案推导”的临床思维分步运算让医学推理过程可追溯、可解释、可校验大幅提升复杂临床任务的准确率与可靠性是当前医疗大模型解决高阶诊疗问题的核心技术。2.1.4 推理优化技术测试时训练TTS为解决固定训练模型在动态临床场景泛化性不足的问题学界引入测试时训练Test-Time Training, TTS前沿推理优化技术实现模型推理阶段的自适应优化。区别于训练阶段的离线参数更新TTS无需大规模数据集与离线微调仅在模型推理测试过程中利用当前实时输入的病历数据、检验指标、影像报告文本等临床信息开展轻量化自监督迭代优化动态适配当前样本的场景特征与数据分布。临床场景中不同医院、不同病种、不同人群的医疗数据分布存在显著差异固定预训练模型极易出现适配偏差。TTS可实现样本级动态自适应调优有效提升模型在非典型病例、区域性疾病、小众罕见病场景的推理精度与鲁棒性同时不增加模型部署成本是轻量化优化医疗大模型推理性能的重要技术方向。2.2 多模态技术视觉‑语言模态、多模态模型单纯文本型大语言模型仅能处理文字类医疗数据无法适配现代临床诊疗“影像文本生理信号”的多维综合诊断需求。医学多模态基础模型以大语言模型为语义理解主干融合医学影像、病理切片、心电时序信号、药物分子结构、基因数据等异构医疗信息实现跨模态特征对齐、统一表征与联合推理打破各类医疗数据的信息孤岛弥补单文本模型感知维度单一的缺陷。当前医学多模态研究以视觉-语言模态为核心主流技术体系最为成熟、落地场景最为广泛。2.2.1 视觉-语言模态融合机制视觉-语言模态聚焦医学图像与临床文本的协同融合分析核心依托对比学习与特征对齐技术为CT、MRI、X光、眼底影像、病理切片等医学视觉数据与诊断报告、临床主诉、疾病标签、诊疗指南等文本数据构建统一特征空间。传统计算机视觉仅能完成病灶分割、检测、分类缺乏临床语义约束可解释性差、易受图像噪声干扰。而视觉-语言融合模型可通过专业医学文本语义约束图像特征学习同步实现病灶视觉识别与临床逻辑推理贴合医生综合诊疗思维。2.2.2 医学多模态模型架构与技术优势CLIP对比预训练框架是医学视觉-语言多模态模型的基础架构医学专属CLIP通过医疗图文配对数据完成领域预训练实现影像特征与专业医学语义的细粒度对齐在罕见病影像诊断、非典型病灶识别场景具备极强零样本泛化能力。现代医学多模态模型进一步拓展融合维度集成时序生理信号、基因组数据、药物数据构建全维度医疗数据分析体系。整体架构包含单模态特征提取、跨模态特征对齐、自适应特征融合、多任务解码四大模块可有效整合多源医疗信息提升诊断全面性、鲁棒性与可解释性缓解传统医学AI黑盒问题。2.3 基于大语言模型的Agent单智能体与多智能体LLM-Agent是大模型技术迭代的高阶形态依托LLM基础语义理解与推理能力叠加自主规划推理与自我反思迭代两大核心智能能力彻底突破传统LLM被动应答的局限具备主动感知、任务拆解、工具调用、自主决策、纠错优化的闭环智能特性。按照智能实体数量与协作模式医疗Agent可分为单智能体与多智能体系统分别适配标准化简单医疗任务与多链路复杂协同诊疗场景是未来智慧医疗自主化、智能化升级的核心载体。2.3.1 核心能力一自主规划与逻辑推理自主规划推理是医疗Agent区别于基础LLM的核心基础能力。传统大模型仅能响应单一、简单的用户指令无法处理多步骤、多约束、长链条的复杂医疗任务。医疗Agent可依托大模型CoT推理逻辑结合专业医疗业务规则自主完成复杂任务拆解将多学科诊疗、全周期健康管理、新药研发等综合性复杂任务拆解为逻辑有序、可分步执行的标准化子任务链路。在临床场景中Agent可自主完成“信息采集-特征分析-风险判别-方案推导”的全流程推理高度模拟临床医生诊疗思维大幅提升复杂医疗任务的自主处理能力。2.3.2 核心能力二自我反思与迭代优化自我反思是医疗Agent保障医疗服务安全性、精准性的标志性高阶能力也是医疗AI落地临床的核心保障机制。Agent完成单次任务推理与结果输出后会自主启动复盘校验机制从医学逻辑合理性、诊疗规范符合性、结论准确性、信息完整性等多维度校验输出结果主动排查模型幻觉、逻辑矛盾、结论偏差与知识漏洞。若发现错误或缺陷Agent会自主调取医学知识库、补充推理步骤、修正决策结果实现推理-输出-反思-纠错-迭代优化的闭环升级持续提升诊疗准确性与合规性有效降低医疗AI误诊、误判风险。2.3.3 单智能体与多智能体差异化特性单智能体架构轻量化、响应速度快、部署成本低依托基础规划与反思能力适配智能问诊、病历整理、单病种辅助诊断、文献检索等标准化常规医疗任务服务稳定性强。多智能体系统由多个功能差异化的单智能体协同组成通过角色分工、信息交互、交叉校验、联合反思完成复杂多学科医疗任务的协同求解具备更强的复杂问题处理能力与容错能力适配疑难病会诊、个体化精准诊疗、多模块药物研发等高端复杂场景。3 大语言模型在健康医疗领域的应用健康医疗场景聚焦普惠公共服务、医院智能化运营、全民健康监测与公共卫生防控侧重服务高效性、标准化与普适性。大语言模型凭借强大的文本处理、知识推理与少样本泛化能力已实现全场景规模化落地具体可划分为三大细分应用模块。3.1 公共健康智能咨询与科普服务医学大语言模型可提供7×24小时全天候无间断普惠健康服务涵盖常见病科普、居家护理指导、安全用药咨询、轻症风险判别等基础服务。依托海量标准化医学科普数据与临床病例资源模型可精准区分轻症、重症风险为普通民众提供科学、合规、通俗易懂的健康指导有效分流线下门诊压力提升基层公共健康服务覆盖率。同时可结合用户个人体检数据、生活习惯、病史信息生成个性化饮食、运动、作息调理方案实现从被动咨询到主动健康干预的升级。3.2 电子健康档案智能化处理与医院运营医院海量门诊日志、住院记录、护理文书均为非结构化自由文本传统人工整理、统计、归档效率低下、误差较大。大语言模型可自动完成医疗文本清洗、关键信息抽取、结构化归档与数据统计分析精准提取患者基本信息、症状特征、诊断结果、用药方案、病程变化等核心数据生成标准化电子健康档案支撑院内病例统计、疾病趋势分析、医疗资源调度。同时可辅助完成医院公文撰写、患者投诉处理、流程优化等行政工作全面提升医院数字化、智能化运营水平。3.3 公共卫生监测与疫情风险预警大语言模型可批量挖掘分析区域线上问诊数据、入院病例数据、公共卫生报告文本自动识别传染病、季节性流行病的发病趋势、地域分布特征与风险诱发因素实现公共卫生风险动态监测与异常预警。相较于传统人工统计模式LLM具备秒级批量处理能力可快速捕捉突发公共卫生事件苗头为疾控防控、卫生政策调整、医疗资源前置调配提供实时、精准的数据支撑大幅提升公共卫生应急响应效率。4 大语言模型在医学专业领域的应用医学专业场景聚焦高精度临床诊疗、前沿医学科研、生物医药研发对模型的专业性、准确性、权威性、严谨性要求极高。经过医学数据微调、CoT推理赋能、TTS优化的大语言模型可全方位赋能专业医学工作核心分为三大应用方向。4.1 临床辅助诊断与个体化诊疗依托思维链推理与精准Prompt约束医学大模型可深度辅助临床诊疗工作。针对常见多发病模型可结合患者症状、检验报告、影像文本报告对照权威临床指南输出标准化诊断意见与治疗方案针对疑难杂症、罕见病可整合海量中外文献、临床案例与前沿研究成果为医生提供多维度参考弥补个人知识与经验盲区。同时可辅助完成个体化用药方案设计主动筛查药物禁忌、规避不良反应提升临床诊疗的标准化、精准化与安全性。4.2 医学文献分析与科研辅助医学文献更新速度快、体量庞大科研人员难以全面跟进领域前沿动态。大语言模型可实现海量中英文文献的智能检索、分类归纳、热点梳理、创新点挖掘快速凝练领域研究现状、研究空白与前沿方向。同时可辅助科研人员完成实验方案设计、数据结果解读、学术论文撰写、课题思路打磨大幅降低重复性科研劳动缩短研究周期加速基础医学研究与临床成果转化。4.3 新药研发与生物信息分析大语言模型可深度学习基因序列、蛋白质结构、疾病发病机制、药物靶点、化合物属性等生物医学知识赋能生物医药研发全流程。可辅助科研人员完成药物靶点筛选、新型药物分子设计、化合物活性预测、临床试验数据复盘分析有效缩短新药研发周期、降低研发成本与试错风险为精准医药研发、生物信息挖掘、靶向药物创新提供全新技术支撑。5 LLM-Agent在健康医疗领域的应用具备自主规划推理与自我反思迭代能力的LLM-Agent突破了基础LLM被动应答、单次输出的局限可实现多步骤、全流程、闭环式主动健康服务在普惠健康医疗场景实现精细化、智能化升级核心包含三大细分应用场景。5.1 全生命周期个性化健康管理医疗单智能体可作为用户专属智能健康管家长期持续记录用户体检数据、用药记录、既往病史、生活作息与饮食习惯动态监测身体状态与健康风险。依托自我反思迭代能力Agent可动态优化健康评估模型精准识别亚健康、慢性病恶化、潜在发病等各类风险主动推送复查提醒、饮食干预、运动调理、作息优化方案构建覆盖预防、监测、干预、随访的全生命周期主动健康管理体系实现千人千面的个性化健康服务。5.2 智慧医院全流程智能服务多智能体协同系统可打通患者就医、院内护理、医院运营全流程服务链路。导诊智能体负责线上挂号、就医咨询、科室指引、流程讲解护理智能体实时监测患者生命体征、自动生成护理记录、预警护理风险运营智能体统筹医疗资源调度、床位管理、运营数据分析、服务压力预判。多智能体通过协同规划、交叉反思纠错保障院内服务高效、精准、有序运转有效简化就医流程、提升患者就医体验、优化医院运营效率。5.3 慢性病精细化管理与公共应急防控针对高血压、糖尿病、冠心病等高发慢性病Agent可实现7×24小时动态指标监测、用药依从性监督、病情风险预判结合患者病情变化持续反思优化干预方案实现慢性病长期、精细化、动态化管控。在公共卫生应急场景中多智能体系统可快速拆解应急任务、评估区域疫情风险、辅助医疗资源调度、推送防控科普信息大幅提升突发公共卫生事件的响应速度与处置能力。6 LLM-Agent在医学专业领域的应用依托强大的自主规划推理、多角色协同与自我反思纠错能力医疗Agent突破传统AI单一任务局限可支撑复杂、高精度、闭环式专业医学工作深度赋能临床诊疗、精准医疗、科研创新核心场景。6.1 多学科协同辅助诊疗多智能体系统通过专业化角色分工分别承担影像分析、检验报告解读、病史梳理、诊疗方案制定、结果校验等细分任务。各智能体独立完成专业推理再通过交叉校验、联合反思、逻辑对齐整合影像、检验、病史、指南、文献等多维度医疗信息模拟临床多学科会诊思维输出全面、严谨、可追溯的综合诊疗方案。针对复杂合并症、疑难罕见病可有效规避单一维度分析的误诊风险大幅提升复杂疾病诊疗精度。6.2 精准医疗与康复闭环管理医疗Agent可结合患者基因特征、身体基础状态、病情进展规律、药物耐受反应等个性化信息自主规划动态化、个体化治疗方案并通过持续自我反思修正方案细节、优化用药剂量与治疗节奏实现精准诊疗。在术后与康复阶段Agent实时跟踪患者康复进度动态调整康复训练、饮食、作息、用药随访方案构建“诊断-治疗-康复-随访-迭代优化”的全闭环精准医疗体系。6.3 智能化医学科研与新药研发多智能体科研集群可自主完成医学文献挖掘、研究热点预判、实验方案设计、科研数据分析、结果校验复盘通过迭代反思修正科研偏差提升研究精准度与创新性。在新药研发领域智能体可自主完成药物靶点筛选、分子结构优化、临床试验数据复盘、药效与不良反应规律总结自动化完成多环节研发工作大幅提升医学科研与新药研发的智能化水平缩短创新周期、降低研发成本。7 挑战与发展方向当前大语言模型、多模态模型、LLM-Agent已在健康医疗与专业医学领域取得阶段性突破但数据缺陷、模型性能短板、Agent机制不完善、伦理监管缺失等核心瓶颈严重制约医学AI的大规模临床落地与规模化商用。本文结合2023-2026年最新综述研究从四大维度总结现存挑战并梳理未来核心发展方向。数据层面数据质量参差不齐与隐私共享约束是首要瓶颈。临床电子病历存在记录标准不统一、信息残缺、数据异质性强、标注质量低等问题导致模型泛化能力弱、鲁棒性不足同时医疗数据涉及患者隐私严格的行业监管限制数据公开共享高质量标注医疗数据集稀缺难以支撑模型高精度迭代。此外多模态数据图文匹配精度不足、异构数据融合难度大进一步限制多模态模型性能提升。模型性能层面幻觉问题、推理精度不足、可解释性差是核心缺陷。医学大模型易生成虚假医学知识、矛盾诊疗结论存在临床安全隐患多数模型缺乏医学知识图谱约束对疑难复杂疾病、非典型临床场景的逻辑推理能力薄弱同时医学AI普遍存在黑盒问题推理链路不透明、结果不可追溯无法满足临床诊疗的安全核验要求。即便引入CoT、TTS等优化技术极端复杂场景下的推理稳定性仍有待提升。Agent技术层面自主智能稳定性与协同效率存在明显短板。单智能体环境感知能力有限面对不确定、复杂化的临床场景易出现推理偏差自我反思纠错不彻底多智能体系统存在角色分工不合理、信息交互冗余、决策逻辑不一致等问题协同效率低、输出结果不稳定。同时行业尚未形成统一的医疗Agent评测标准无法定量评估Agent的推理能力、反思效果与临床适配性。伦理监管层面存在责任界定模糊、诊疗偏见、隐私泄露等潜在风险。当前医学AI缺乏明确的医疗责任划分机制模型误诊导致的医疗纠纷难以界定开发者、医院、使用者责任训练数据偏差易引发模型诊疗偏见造成医疗不公平医疗数据智能化处理过程中存在患者隐私信息泄露的安全隐患。针对以上挑战未来医学人工智能的核心发展方向如下第一构建以数据为中心的医学模型优化体系规范医疗数据预处理、脱敏、标注流程突破数据安全共享技术提升训练数据质量与规模第二深度融合Prompt、ICL、CoT、TTS等推理优化技术结合医学知识图谱约束模型输出抑制幻觉、提升推理精度与可解释性第三完善LLM-Agent技术体系强化单智能体规划推理与反思能力优化多智能体协同机制建立标准化医疗Agent评测体系第四健全医学AI伦理监管体系厘清医疗责任划分标准规范数据安全管理规避诊疗偏见与伦理风险第五推动LLM、多模态模型、智能Agent深度融合构建全场景、全周期、高精度的智慧医疗服务体系。参考文献[1] M Wornow, Y Xu, R Thapa, and et al., “ The Shaky Foundations of Clinical Foundation Models: A Survey of Large Language Models and Foundation Models for EMR. arXiv 2303.1296, Mar 2023.[2] W X Zhao, K Zhou, J Li, and et al., “A Survey of LLMs”, arXiv 2303.18223, Mar. 2023.[3] Z. Xi, W. Chen, X. Guo, and, et al., “The rise and potential of LLM based agents: A survey”, arXiv 2309.07864, Sep., 2023.[4] B. Azad, R. Azad, S. Eskandari, and et al., “Foundational models in medical imaging: A comprehensive survey and future vision,” arXiv 2310.18689, Oct 2023.[5] H Zhou, F Liu, B Gu, and et al., “A survey of LLMs in medicine: Progress, application, and challenge”, arXiv 2311.05112, Nov, 2023.[6] Z. Zhao, Y. Liu, H. Wu, and Q. Wang et al., “CLIP in medical imaging: A comprehensive survey,” arXiv 2312.07353, 2023.[7] Y. Zhang, J. Gao, Z. Tan, and et al., “Data‑centric foundation models in computational healthcare: A survey,” arXiv 2401.02458, 2024.[8] T. Guo, X. Chen, Y. Wang, and et al., “LLM based multi‑agents: A survey of progress and challenges”, arXiv 2402.01680, Feb 2024.[9] Y Zheng, Wensheng Gan, Zefeng Chen, and et al., “LLMs for Medicine: A Survey”, arXiv 2405.13055, May 2024.[10] W Khan, S Leem, K B. See, and et al., “A Comprehensive Survey of Foundation Models in Medicine”, arXiv 2406.10729, Jan. 2025.[11] K He, R Mao, Q Lin, and et al., “A survey of LLMs for healthcare: from data, technology, and applications to accountability and ethics”, arXiv 2310.05694, Information Fusion, Jan. 2025.[12] W Wang, Z Ma, Z Wang, and et al., “A Survey of LLM‑based Agents in Medicine: How far are we from Baymax?” arXiv 2502.11211, Feb. 2025.[13] S Maity and M J Saikia, “LLMs in Healthcare and Medical Applications: A Review”, MDPI Bioengineering, 12, 631, June 2025.[14] W. Ren, J. Zhu, Z. and et al., “A comprehensive survey of electronic health record modeling: From deep learning approaches to LLMs”, arXiv 2507.12774, July 2025.[15] X Hu,Y Qian, J Yu, and et al. 2025. “The Landscape of Medical Agents: A Survey”. TechRxiv 176581395.56964766, Jan. 2026.[16] L Zhao, S Liu, T Xin, and et al., “AI agent in healthcare: applications, evaluations, and future directions”, npi Artificial Intelligence review 2:3, 2026.[17] G Xu, X Li, Y Chen, and et al., “A comprehensive survey of AI agents in healthcare”, Journal of Biomedical Informatics 179, April 2026. 
