中科院团队发布CARES 4.0：医疗AI从工具迈向智能体

在第四届香港具身智能医疗科技论坛上，中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）正式发布自研多模态临床智能体系统——CARES 4.0。

该系统依托自研 Harness 智能体框架构建，底层接入 CT、核磁、超声、内镜与脑电等多模态医疗基座模型，旨在打破传统单任务医疗 AI 的割裂局限，深度嵌入医院临床全流程。

从被动问答走向全流程临床智能体

临床应用中，CARES 4.0 已在多家三甲医院完成验证，主要覆盖三大核心场景：

• 诊疗全流程辅助：贯穿患者主诉分析、影像多模态检查、病理评估直至辅助确诊；
• 智慧科室管理：支持自然语言交互，可自动统计设备负荷与病种分布，一键生成运营分析报表；
• 临床科研加速：支持针对专病数据集进行多维统计分析并自动生成规范报告，配套高质量数据清洗与质检平台，为算法持续迭代提供结构化数据。

目前，CARES 4.0 官方平台已开放核心框架与通用工具包，团队自研的超声模型和手术视频开源模型也将陆续上线，面向行业免费开放。

专访刘宏斌：医疗 AI 的临床安全与商业化逻辑

在论坛期间，CAIR 主任刘宏斌研究员就技术迭代、手术安全预警以及商业化难点展开了深度剖析。

智能体的本质：从「找答案」到「替医生干活」

刘宏斌指出，CARES 1.0 到 3.0 本质上是多模态大模型，核心能力集中在问答交互。医生需要掌握相应的使用方法，才能把它当成单点工具使用。4.0 升级为智能体后，系统具备了任务自主规划与执行能力。例如科室主任需要制作运营月报时，智能体可自主调取多源数据、完成统计并生成分析，极大降低了医生的操作负担。

手术风险预警：空间与时间双重锚定

针对外界关注的手术视频语义理解与风险预警能力，刘宏斌表示预警主要体现在两个维度：

1. 空间维度：AI 实时识别解剖结构，若手术操作过于接近重要血管或神经，系统会即时发出防碰预警。例如在支气管镜活检场景中，可准确区分表面黏膜隆起与深层血管，避免误夹破大动脉。
2. 时间维度：手术具备严格的流程次序。若前序步骤执行不彻底（例如神经外科骨窗通道范围不足），系统会预判后续肿瘤切除风险并提示纠偏。

循证溯源遏制模型幻觉

对于医疗 AI 的决策风险，刘宏斌强调医生始终是终审责任人，CARES 系统定位为临床辅助助手。

为最大限度抑制模型幻觉，团队将临床专家的诊疗逻辑与权威指南、顶级期刊文献沉淀为结构化知识图谱。AI 给出的每一项诊断意见，都会附带完整的思考链路与依据节点，确保所有推导结果有据可依、可供医生交叉验证。

商业化破局：平衡四方诉求

刘宏斌认为，医疗 AI 走向规模化商业应用必须跨越系统性门槛，核心是同时满足四方诉求：

• 患者获得确切的诊疗改善；
• 医生有效减轻临床负担；
• 医院提升整体经营与运转效率；
• 医保支付端确保控费，使诊疗整体开销可控甚至有所节约。

未来图景：人机协同的具身智能手术室

目前团队相关系统已在超过 30 家医院开展真实世界部署，其中喉镜工作站落地超 10 家，超声系统落地超 10 家。一线医生最强烈的诉求集中在简化操作流程与直观的结果可视化呈现。

展望未来手术室形态，刘宏斌认为医疗场景将加速迈向人机协同空间。手术灯、器械传递等被动工具将全面机械臂化与自动化，大幅降低人手接触带来的感染风险；未来的手术团队或将精简至主刀医生加少量助手，全院则依托中心算力平台演进为实时感知、全局调度的协同大智能体。