引言
中医AI赛道火热，但行业一直面临一个尴尬局面：AI输出的辨证结果越来越快，却很难真正被临床医生采信。原因不在算力，也不在模型不够先进，而在于多数产品采用黑箱逻辑：只给最终结论，不展示数据来源、感知过程、推理路径和决策依据。
医疗是循证判断，不是结果套用。西医AI可以借助相对标准化的影像、化验数据供医生复核；中医诊疗高度依赖望闻问切、整体辨证和经验取舍，本身主观性强、量化难。如果AI屏蔽中间过程，只给一个固化结论，医生既无法核验，也无法追溯，只能盲从或弃用。真正适合临床的中医AI，不应替代医生决策，而应把医生难以察觉、难以量化、难以留存的细微体征，转化为可看、可验、可干预、可追溯的梯度数据。判断权仍归医生。
一、黑箱AI为何难落地
当前不少中医AI采用端到端模式：输入症状和基础信息，直接输出证型、治法和方药。看似高效，实则违背中医诊疗逻辑。
中医的核心依据是四诊体征。传统四诊依赖医生感官和经验，不同医生的判断存在差异，缺少统一量化标准。当AI隐藏全部中间过程，仅输出单一结论时，医生无法核对舌、脉、音依据，无法理解推理逻辑，也无法判断结论是否适配患者个体情况。采信，可能意味着依据未知逻辑做决策；不采信，系统就没有临床意义。
黑箱AI的根本问题，是用算法结果替代了临床循证过程。它跳过四诊感知、证素辨析、多模态合参和辨证取舍，直接给出答案，既消解中医辨证论治的灵活性，也削弱医生的专业主体性。这就是中医AI看似热闹、却难深度落地的重要原因。
二、临床需要可解释、可核验、可干预的梯度数据
临床真正需要的，不是“一键出方”的黑箱工具，而是一套层级清晰、逻辑透明、医生可全程介入核验的梯度数据体系。它不是普通人看不懂的原始工程信号，也不是无需思考的最终结论，而是介于原始数据与最终结果之间、贴合医生认知的中间层表征。
以知医邦ChatiSS查体大模型为例，其电子病案首创「四层临床决策链路」数据输出模式，构建“筑基采集—感知印象—循证推理—精选索引”四级梯度数据体系，尽量复刻中医师诊疗思维链路。
第一层：筑基层·原始量化数据——守住临床客观底线
这一层是整套系统的可信根基。区别于行业内常见的像素、波形原始数据堆砌，系统依托舌象仪、脉象仪、五音闻诊仪以及智能问诊模型，完成舌、脉、音及检查化验主诉等全维度数据采集。
舌诊层面，摒弃市面通用、不适配人体体征检测的LAB色彩算法，采用贴合中医体征规律的HSV色彩体系与三角函数建模，实现体征精准量化，将舌象划分为五脏对应五区，量化舌形、舌色、苔形、苔质及齿痕、点刺、瘀斑等核心体征；脉诊层面，将脉象拆解为深度、长度、频率、节律、宽度、紧张度、饱满度、流利度、力度、坡度等参数；闻诊层面，依托自研《中医五音特征提取与数学分析方法》，可完成18维病理声学特征、26项声学指标的精细化量化拆解，将传统中医抽象的“声音低微、少气懒言、情志不畅”等主观感官描述，转化为可计算、可统计、可对比的标准化数字化指标。
筑基层采集到的数据，等同于西医病案中的原始化验、影像检测数据。关键不在于数据多，而在于数据纯客观、无预判、可溯源、可复现。它解决的是传统四诊主观化、无标准、无留存的痛点，为后续分析提供一手资料。
第二层：感知层，四诊印象数据——实现机器感知与医生认知对齐
这是AI赋能临床的关键过渡层。系统不直接推导证型，而是将量化数据与大样本健康基线比对，输出医生能看懂、能对照的四诊印象。
感知层的数据，等同于西医病案中的体格检查结果、检验报告单及影像学检查报告单。这一部分以图表＋结论的方式呈现，不同于黑箱模型的模糊拟合，该层级望闻问切四类AI Skill独立输出四诊印象，标注每一项体征的偏离方向与偏离幅度，贴合中医师日常查体认知。医生可将AI量化的四诊印象，与自身肉眼观察、手感脉诊、听觉闻诊的临床感知双向对照，快速核验体征真实性，建立人机信任基础。
第三层：循证层，合参推理数据——透明展示辨证取舍逻辑
这一层，ChatiSS把采集到的望闻问切数据四诊合参，多模态交叉印证、互补纠错，完成辨证推理，实现多源数据透明合参，模拟中医“四诊合参、辨证取舍”的核心思维。
ChatiSS已获两张医疗器械注册证，依托自研算法，采用舌诊、面诊、五音闻诊、脉诊、问诊、运气诊、辨证论治、遣药组方8个专利数学模型，完整复刻临床诊断全流程。系统整合多模态查体数据采集系统采集、解析、记录的中医舌象、脉象、音象、运气、体质数据、以及西医体征、检查、既往病证数据，从23820个病证中机器筛查，输出证型参考，全方位提升多模态诊疗体系的诊断准确率与临床应用稳定性。
循证层的推理，等同于西医病案中的初步诊断与鉴别诊断。病人的各种报告单汇集给医生，医生根据报告内容综合判断病人得的是什么病。不同的是，ChatiSS在这一层不会输出唯一固化结论，而是提供多组候选证型给医生参考。医生通过看筑基层和感知层的数据，推导AI“为何这样判”，也可以根据自己的临床经验推翻或修正结果。
第四层：精选层，治法索引数据——提供参考素材，不替代临床决策
最终输出端，ChatiSS摒弃“一键开方、固化方案”的替代模式。系统基于辨证结果，从历代100098首方剂中精准筛选，输出治法索引，针灸推拿导引以及五音疗法一应俱全。以分类化方案板块呈现，条理清晰，并附配伍依据、禁忌规则和适配场景。
这一层等同于西医给病人做治疗、开药，提供个性化治疗方案。但是ChatiSS出的方案只是参考素材，不是强制指令。方药配伍、剂量调整、治法选择、方案落地，最终都应由主治医生决定。AI负责筛选和整理素材，医生负责专业甄别和个体化决策，人机责任边界才清晰。
三、梯度数据的价值：不堆砌，也不跳跃
对临床医生而言，无用的数据堆砌和无依据的结果输出，都没有价值。原始波形、频谱、像素是工程师语言，不是医生临床语言；单一最终结论则是黑箱跳跃，跳过感知、辨析、合参全过程，剥夺医生判断空间。
四级梯度数据的优势，是匹配中医临床认知链路：从客观量化采集，到具象四诊印象，再到循证辨证推理，最后到多元方案索引。每一层都是医生知识体系内的概念，是传统中医“意会式经验”的数字化、可视化、可溯源转化。
它的本质，是让中医诊疗从“凭感觉、凭经验”，转向“凭数据、凭依据”，但不替代医生经验。它保留辨证论治的灵活性，同时补齐传统诊疗不标准、无留存、难复盘的短板。
四、重构工作流：AI做感知与计算，医生做判断与决策
黑箱AI构建的是“AI诊断—医生确认”的错误流程，让医生沦为执行者。梯度可溯数据体系则应重构为人机协同：AI做感知与计算，医生做判断与决策。
AI的定位是医生的“超级数据感官”：捕捉人类感官难以识别的细微差异，沉淀健康基线，完成多模态加权、冲突仲裁和结构化梳理，解决人力感知有限、记忆有限、计算有限的问题。
医生的定位仍是临床决策主体。医生可以在任意层级介入：对照感知层核查体征真伪，参考循证层修正辨证逻辑，结合经验优选和调整诊疗方案。AI提供可审计、可追溯、可复核的数据支撑；医生完成最终判断并承担医疗责任。
结语
中医AI的竞争，不应停留在“自动出方、快速辨证”的噱头，而应回到数据梯度与临床价值。算法只是工具，可量化、可解释、可干预、可追溯的梯度数据，才是中医AI落地临床的关键基础。
未来，中医AI要走向数据梯度化、逻辑透明化、人机协同化、临床合规化。坚守医生决策主体，尊重中医诊疗规律，深耕临床实用价值，才是中医药数字化转型的可持续路径。