如果一個醫療AI在99%的問題上表現出色，卻在1%關乎患者生死的決策上出錯，它還值得信賴嗎？來自杭州的德適生物（2526.HK）給出的答案是「不」。這家3月登陸港交所主板的醫療科技公司，今日（4月30日）在香港發布「醫療AI評測平台」DoctorBench，以及公布首期全球醫療大模型排行榜榜單。作為面向醫療實戰的評測體系，該平台首創「一票否決」機制，將「醫學事實準確」與「安全與風險控制」設定為不可妥協的紅線，推動行業向更安全可信的方向發展。

以「臨床實戰能力」為標尺建評測體系

4月30日，杭州德適生物科技股份有限公司（2526.HK，簡稱「德適」）在香港正式發布醫療AI評測平台DoctorBench，並揭曉首期全球醫療大模型排行榜。杭州智診科技的WiseDiag-v2、谷歌的Gemini-3.1-Pro-Preview、OpenAI的GPT-5.4 位列前三甲。該平台首次以「臨床實戰能力」為核心標尺，為全球醫療大模型構建起一套貼近真實診療場景的多維評測體系。

當前，全球醫療大模型正加速從實驗室走向臨床應用，但行業始終缺乏一套能夠真正衡量模型「看病能力」的評測標準。現有的評測大多聚焦於醫學知識問答，難以反映模型在複雜臨床情境中的綜合表現——這種評測與臨床實踐之間的鴻溝，正在成為制約醫療AI落地應用的全球性挑戰。

單一評測體系難以全球普適

此前，OpenAI發布HealthBench，標誌着領先企業開始重視這一挑戰。然而，醫療具有強烈的本土化特徵——不同國家和地區的診療指南、語言習慣、患者群體存在顯著差異，任何單一評測體系都難以實現全球普適。

正是基於對這一全球性挑戰的深刻認識，德適發起並打造了DoctorBench 平台。這一平台的誕生，植根於一個跨學科團隊近十年的深耕與協作。德適匯聚了基礎醫學、臨床醫學、人工智能、醫療產業等多領域的專家，將嚴謹的臨床醫學邏輯與前沿的深度學習算法深度融合，讓DoctorBench既能理解AI技術的邊界，又能洞察臨床實踐的複雜需求，並以此為標準構建評測體系。

三維度考驗醫療AI能力

DoctorBench的核心理念是不再只考核大模型的「知識儲備」，而是考核其「像醫生一樣思考」的臨床溝通與決策能力。平台構建了三大榜單體系 —— 醫學主榜單（LLM）、多模態榜單（VLM）與智能體榜單（Agent），分別評測模型的文本診療能力、多模態理解能力，以及模擬診療環境中的多輪決策與工具調用能力。

在評測機制上，DoctorBench首創「2大核心維度（安全性和準確性）+3項通用維度（交互質量、信息優先級、主動詢問）+5項專項模塊（證據與引用、可解釋推理、可執行性、個體化適配、情感支持）」的多維架構，並搭載「場景自適應權重」——根據不同臨床場景的風險等級，動態調整各維度權重，使評分邏輯更貼近真實診療決策。

以「一票否決權」保護患者安全

尤為關鍵的是，平台將「醫學事實準確」與「安全與風險控制」設為具有「一票否決權」的核心紅線 —— 任何模型若在關乎患者安全的關鍵問題上出現嚴重偏差，無論其他維度表現如何突出，均無法獲得高分。這一設計源於團隊對醫療本質的深刻理解：在關乎生命的領域，安全性永遠是第一要義，沒有妥協餘地。

「醫療AI的發展是一場關乎人類共同健康福祉的長跑，既需要顛覆式的技術創新和跨學科、跨地域的深度協作，更需要對生命健康的絕對敬畏與堅守。」德適創始人宋寧博士表示，期待與全球更多科研機構、臨床中心和行業夥伴攜手，讓真正有實力的技術被看見、被信賴，最終惠及每一位患者。