面向骨科医工协同的子殷智能：知识增强、医生记忆与持续改进的研究框架

摘要

作者：瑜秀瞳芯｜单位：内蒙古子殷科技有限公司｜研究框架与验证方案｜2026年10月5日

目的：面向骨科临床需求与医学三维建模、模型打印及导板设计之间的协同过程，提出一种能够引用知识依据、理解医生工作习惯、组织专业工具并利用审核反馈持续改进的智能助手研究框架。

方法：以“子殷智能”为拟建设的统一对话入口，将检索增强生成、医生可管理记忆、医工工具调用与离线模型适配分开设计。知识更新承担事实与文件版本维护，医生记忆承担经确认的个人偏好，专科工具承担重建与测量等确定任务，模型训练承担经过验证的能力改进。提出逐层对照、患者级数据隔离和人机协作评价方案。

工程基础：现阶段已完成收费资料原型接入，包含51条收费项目记录及15条地区缺项记录，开展了4种情境的接口检查，其中3次实际调用模型，并进行了湖南、湖北问答的页面检查。这些工作仅构成小范围工程验证，尚未证明医学知识问答或临床决策支持的有效性。

结论：子殷智能的研究重点应是建立知识可追溯、记忆可撤销、工具可核验、升级可比较的协作机制。统一入口、专科知识体系和医生反馈机制仍需建设；模型微调兼容性及资源需求尚待验证。本文不报告患者结局，不构成临床效能研究。

关键词：医工协同；检索增强生成；骨科；医生记忆；人机协作；持续改进

一、引言：从单次回答走向连续的医工协作

骨科医工协同涉及临床问题表达、影像资料准备、三维重建、手术规划沟通、模型或导板设计以及交付复核。同一需求经过医生、工程师和生产人员转述时，容易遗漏患侧、目标结构、使用目的或具体交付要求。一个语言模型即使能回答一般医学问题，也未必能把需求准确转换为可执行的工程任务。

本项目希望建设的“子殷智能”，是嵌入上述工作过程的统一交互入口。医生可以在同一对话中核对资料、查阅专业依据、说明设计意图、了解项目进度，并修正系统对其工作习惯的理解。收费目录是这一体系中的一类知识来源，后续可逐步接入专科文献、质量规范及经过授权的项目资料。

检索增强生成通过结合模型参数知识与外部资料，为知识更新和来源追溯提供技术路径^[1]。但检索到文件并不意味着回答正确，模型答题表现也不能直接代表医生使用后的效果。一项包含50名医生的随机研究，在其病例情境与评价条件下，未观察到语言模型辅助相较常规资源显著改善诊断推理表现^[5]。因此，本项目需要同时研究模型能力、证据质量和人的使用方式。

本文提出的贡献是：在具体医工场景中明确不同类型信息的更新责任，建立可检验的研究问题，并把有限工程基础与尚待实现的临床价值分开陈述。

1.1 研究材料与证据范围

本文采用工程记录核查与定向叙述性文献检索。工程材料限于2026年10月5日收费原型的数据整理记录、接口检查摘要与页面操作记录；本文未为医学效果研究重新招募医生或患者，也未重新开展大样本性能实验。所述原型属于结构化检索增强应用，不是对原始RAG论文训练方法的复现。

文献检索围绕retrieval-augmented generation、LoRA、QLoRA、clinical AI evaluation、physician–AI collaboration及sycophancy等主题，核对原始论文或出版机构页面，选择与架构和评价问题直接相关的六项研究。该过程不是穷尽检索或系统综述。外部研究用于支持方法选择，工程记录用于说明已完成范围，未来实验负责检验拟议收益；三类证据不相互替代。

二、系统架构与方法

2.1 统一入口与任务分解

拟建设的统一入口保留“子殷智能”这一交互对象。系统根据问题及当前项目上下文识别任务，选择知识检索、资料核对、偏好读取或工具调用。医生无需理解后台模型和索引的组织方式，但应能查看回答依据、任务状态及需要确认的事项。

例如，“整理这例跟骨术前三维准备需求”应先产生资料清单和待确认问题；“按我常用格式输出”应读取经本人确认的表达偏好；“查本地区建模收费资料”应检索相应目录。涉及工程执行的操作应生成可检查的参数与结果记录，避免把语言回答误当作任务已经完成。

2.2 四类能力分别建设

这一区分决定了系统如何“越来越懂医生”。新增文件不必触发模型训练；保存格式偏好不等于改变医学事实；专科算法执行成功也不等于语言模型学会了影像分析。医生获得的连续使用体验，可以由多个相互配合、独立验证的能力共同形成。

2.3 知识组织与证据处理

知识体系拟分为医学与专科知识、子殷医工规范、授权病例与项目资料三个部分。每份资料保存来源、日期、版本、适用范围及审核状态。收费征求意见稿、正式文件和内部整理表分别标识；指南建议、个案经验与医生个人偏好也分别呈现。

当前收费原型采用按地区与项目类型匹配的结构化检索。对于金额、单位和计价规则，这种方式有助于保持字段含义。后续文献检索拟结合医学术语匹配与语义检索，并核对证据片段与回答之间的对应关系。本文不将现有收费检索描述为已经建成的医学向量知识库。

系统还需处理资料缺失、版本冲突和证据不足。无法确定时，应说明缺少什么依据；出现相互矛盾的文件时，应展示冲突及适用条件。病例资料按既定授权范围检索，不能因进入统一聊天窗口就变成全平台共享知识。

2.4 医生记忆及其边界

医生记忆拟采用显式、可查看的条目管理。每条记忆记录内容、适用人或科室、确认时间及有效状态。例如，“术前讨论摘要先列关键问题，再列待确认事项”可作为表达偏好；某次病例的患侧和手术安排只能属于该病例上下文，不能转为普遍规则。

记忆应允许纠正和撤销。系统需要区分“本次这样写”与“以后默认这样写”，并在偏好与医学证据发生冲突时保留证据边界。个性化的目标是减少重复沟通，而不是顺从医生提出的每一个事实判断。

2.5 分级反馈与离线训练

拟采集的反馈包括问题、当时可用资料、模型回答、修改内容、修改理由及最终确认结果。格式修改可用于改进表达；业务规则纠正需由对应责任人员确认；医学事实修订应结合证据与专业复核。单纯点赞或采用，只能说明接受度，不能作为医学正确标签。

人类偏好反馈可能鼓励模型迎合用户观点，相关研究提示了偏好优化与真实性之间的潜在张力^[6]。据此，本项目拟设置“医生给出错误前提”“个人习惯与证据冲突”等评价情境，观察系统是否保持必要的核实和追问。这是研究设计依据，不代表已经发现本平台存在相同临床后果。

LoRA和QLoRA为降低模型适配成本提供了方法参考^[2][3]。本次收费原型采用Flash-Next作为推理基座，后续研究拟在可替换的模型接口上推进，但尚未验证其具体权重格式、架构、训练框架和重新部署链路的兼容性，也未确定训练资源需求。不能以本地推理可运行推导本地微调必然可行，更不能把日常聊天记录积累描述为模型权重自动更新。

三、已完成的有限工程验证

现阶段工作以用户提供的收费整理表为对象，完成了文本与结构化字段整理，形成51条收费项目记录和15条地区缺项记录。这里的“缺项”反映所导入资料的覆盖情况，不代表对应地区客观上没有政策，也不能据此判断是否允许收费。

接口检查覆盖湖南、湖北、天津及内蒙古4种情境。其中3种情境实际调用模型，另1种由确定性逻辑返回资料不足说明；页面检查涉及湖南与湖北问答。检查关注地区与项目匹配、缺失信息提示、来源定位以及模型接入后的回答呈现。表格中未填写的价格没有被当作零值，资料状态与出处随回答展示。

这一原型证明了从整理表到检索、模型调用及页面呈现的有限链路可行性。它尚未覆盖大量问法、长期多轮会话、跨领域检索和复杂证据冲突，不构成总体准确率估计。51条记录也不是51例临床样本，4种情境不能支持显著性或临床安全性结论。

目前统一聊天入口仍是拟建设目标；收费原型接入不等于医学知识库、医生记忆或模型微调已经完成。本阶段没有使用患者数据开展医学效果研究，也没有患者结局分析。

四、拟开展的对照研究

四组比较分别控制检索、记忆、模型适配和实际工作流程，避免同时改变多个因素后无法解释改进来源。下表为拟开展的研究计划，不是已获得的实验结果。

4.1 检索增强能否减少关键遗漏

第一项研究拟固定基座版本、提示和推理预算，比较基座直接回答与加入RAG后的表现。任务围绕术前三维资料准备和医工需求整理建立参考标准，评价每病例关键要求遗漏率、可核查陈述的证据支持率及错误引用率。

同时记录恰当拒答率和回答覆盖率，避免系统通过一律拒答获得表面安全优势。对无资料、资料冲突和超出适用范围的问题分别报告结果。

4.2 医生记忆能否降低重复沟通

第二项研究在相同知识检索条件下，仅改变医生记忆是否启用。采用未参与记忆建立的新任务，比较重复澄清次数、格式修改量和完成时间，并检查事实正确性是否下降。错误记忆撤销、不同账号隔离及临时要求覆盖默认偏好，应作为独立测试情境。

4.3 离线适配能否带来可归因的改进

第三项研究须在训练兼容性验证完成后开展。使用相同知识版本，比较适配前后的需求提取、追问质量与工具选择。训练样本来源、筛选规则和修改理由须可追溯，评价同时保留原有收费任务、证据冲突及权限相关任务，以识别能力退化。

4.4 人机协作能否改善工作结果

第四项研究拟先进行不影响实际决策的影子运行，再依据研究条件开展常规流程与智能助手辅助流程的对照。使用难度匹配的不同情境，避免同一医生重复做同一题造成学习效应；必要时采用随机或交叉设计。

评价以医工任务质量为中心，纳入关键遗漏、错误采纳、修改时间、往返沟通次数及任务完成时间。评分由独立评阅者在尽可能不知道分组的条件下完成，分歧按预设规则裁定。模型单独回答得分与医生使用后的结果分别报告，不能互相替代。

4.5 数据隔离与统计计划

涉及病例时，训练、验证和测试按患者分组，同一患者的影像、衍生文本与修订记录不得跨组。另设新医生、新院点及时间外测试，判断改进能否超出原始使用环境。公开指南可以作为测试时检索资料，但测试问答、参考答案及病例最终裁定不能进入训练或相似病例资料库。

正式测试前冻结基座、量化方式、提示、检索方法和知识版本，测试结果不再用于调参。样本量根据先导数据、预期差异和研究设计确定；分析考虑同一医生与同一病例产生的相关性，报告差值和置信区间。上述方案尚未完成招募、样本量确定或前瞻性实施。

五、实施阶段与评价衔接

首阶段拟完成统一对话入口及收费知识复用，形成资料接入、来源展示和缺失提示的一致方式。第二阶段围绕足踝与跟骨医工需求建立专科知识范围、任务参考标准和医生反馈入口。第三阶段验证可管理记忆与专科工具调用，开展离线对照及影子运行。第四阶段依据具体错误模式决定是否微调，并验证升级收益与退化风险。

当研究进入会影响患者照护的实际临床场景时，应依据预期用途完善相应研究与管理要求。DECIDE-AI强调早期临床评价中的实际表现、安全、人因及使用环境，适合为这一阶段的研究报告提供参考^[4]。采用该报告指南不等于获得临床有效性证明，也不替代适用的研究审查与部署要求。

六、讨论与局限

本框架的价值在于使改进来源可解释：知识更新是否解决事实缺口，医生记忆是否减少重复表达，工具调用是否减少人工转录，训练是否改善稳定出现的能力缺陷。只有把这些因素分别比较，才能确定投入是否产生了实际收益。

目前仍有四方面局限。其一，工程验证规模很小，不能推断长期稳定性。其二，资料可追溯不等于资料真实、完整或仍然有效。其三，医生修订可能包含个人习惯、时间压力或事实错误，需要分级解释。其四，语言模型适配与影像专科算法具有不同验证对象，不能以一项能力的进步替代另一项的评价。

部署于医生科室的长期目标，还需回答谁维护知识、谁确认记忆、谁处理错误以及谁决定版本升级。研发阶段可以通过明确任务和有限场景快速试验；进入实际临床使用时，则需验证系统在具体人员、流程与环境中的作用。本文尚未提供这部分证据。

七、结论

面向骨科医工协同的子殷智能可以被定义为一个可检验的研究项目：通过统一交互组织知识证据、医生偏好和专业工具，并用经过审核的反馈支持有版本的持续改进。现有收费原型提供了有限工程起点。后续工作的成立依据，应是明确任务上的对照结果与可追溯反馈，而非模型名称、聊天数量或单次回答的流畅程度。

研究状态说明：本文为项目研究框架与验证方案的官网交流稿，未经过期刊同行评议，不报告临床效能或患者结局。本项目由所署单位开展，作者与项目存在关联；相关结果仍需独立验证。