Medical Foundation Models
医学基础模型
面向医学与传统医学场景构建专业大语言模型，研究知识增强、领域指令学习、多轮临床推理、模型评测以及医疗 AI 安全与可信性。
RESEARCH & PUBLICATIONS
研究成果
医疗 AI 与 AI for Science
医哲未来人工智能研究院的研究聚焦于医疗人工智能、传统医学大语言模型、可信智能体与 AI for Science，致力于探索人工智能如何从医学知识理解与辅助决策，进一步发展为能够进行证据检索、科学推理、知识发现与自主研究的智能系统。
研究团队具有医学、传统医学与人工智能交叉背景，近年来逐步形成以下述路径为核心的研究方向：
- Medical AI
- TCM Large Language Models
- Scientific Agents
- Autonomous Science
研究方向
RESEARCH FOCUS
Traditional Chinese Medicine AI
中医人工智能
推动传统医学知识从非结构化古籍、临床文本与专家经验向可计算知识体系转化，探索中医大模型、知识图谱、多模态数据和智能问诊系统。
Scientific Agents
科研智能体
研究能够自主完成文献检索、数据库调用、假设生成、计算分析、证据验证和研究报告生成的科研智能体。
Trustworthy AI for Science
可信科学智能
探索模型、工具、数据、证据与科学结论之间的可信约束机制，使人工智能不仅能够“生成答案”，还能够说明：
- What evidence supports the claim?
- Where did the evidence come from?
- What can — and cannot — be concluded from it?
代表项目
SELECTED RESEARCH & PROJECTS
IN DEVELOPMENT
AI SCIENTIST
TCMScience
A Governed Autonomous Scientist for Traditional Chinese Medicine & Biomedicine
TCMScience 是 IMPF-AI 正在开发的自主科研智能体系统，目标是让人工智能从传统的医学问答系统进一步发展成为能够执行科研流程的 AI Scientist。
系统将语言模型的推理能力与独立的可信执行和证据治理机制分离，并将预测、实验结果、古籍证据、临床研究与数据库信息作为不同类型的科学证据处理，而不是简单转化为语言模型上下文。
核心原则 / CORE PRINCIPLE
“The model may reason. It does not define the laws of the laboratory.”
科研基础设施能力
- autonomous scientific planning
- biomedical database interaction
- evidence provenance
- hypothesis generation
- computational experiments
- claim–evidence verification
- reproducible scientific workflows
- human-governed autonomous research
Tsinghua Sci. Technol. · 2026
ZhongJingGPT
Expert Knowledge-Guided Language Model for Traditional Chinese Medicine
面向传统中医知识与临床推理的大语言模型研究，相关工作发表于 Tsinghua Science and Technology。研究围绕中医诊疗特点构建多任务知识指令，并进一步引入：
- TCM knowledge instruction tuning
- multi-scenario clinical reasoning
- symptom-sequence reasoning
- MedicalFSM multi-turn evaluation
- expert-based clinical assessment
该研究尝试解决通用语言模型在中医场景中存在的知识不足、辨证推理不稳定以及复杂诊疗过程难以持续建模等问题，也成为后续 IMPF-AI 中医模型研究的重要基础之一。
OPEN SOURCE
CMLM
Open Chinese Medical Language Models
IMPF-AI 持续推动中医人工智能模型、数据集与评测资源开放。CMLM 开源生态目前覆盖多个中医语言模型与数据资源，包括：
- ZhongJingGPT
- Zhongjing series
- Dao / Tao series
- TCM instruction datasets
- Chinese medical knowledge resources
- evaluation datasets
研究目标并非建立单一模型，而是探索一个共同组成的开放中医 AI 基础设施：
Models + Data + Knowledge + Benchmarks + Agents
KNOWLEDGE DISCOVERY
TaoChronos
AI Agent for Knowledge Discovery from Ancient Medical Literature
面向大规模中医古籍知识发现，尝试将古籍研究从传统关键词检索推进至：
- Ancient Literature
- Structured Knowledge
- Semantic Alignment
- Modern Biomedical Interpretation
重点研究方向
- ancient medical literature mining
- textual variant comparison
- semantic alignment
- classical knowledge graph construction
- ancient–modern phenotype mapping
- evidence-grounded retrieval
- historical medical knowledge discovery
其中 Ancient–Modern Bridge Engine 用于探索古代医学概念与现代疾病、表型及生物医学知识之间的可解释连接。
IEEE ICDH 2026
BENCHMARK · DATASET
MedEthicsBench
Evaluating Medical Ethics Reasoning Across Jurisdictions
面向医学伦理推理的评测数据集研究，关注大语言模型在不同司法管辖区——即法律制度与伦理规范各不相同的国家和地区——进行医学伦理判断与推理的能力。相关工作发表于 2026 IEEE International Conference on Digital Health (ICDH)，是 IMPF-AI 在医疗 AI 安全与可信性方向的研究之一。
- medical ethics reasoning
- cross-jurisdiction evaluation
- trustworthy medical AI
医学知识发现
AI FOR MEDICAL KNOWLEDGE DISCOVERY
除大语言模型与智能体研究外，研究院还开展医学数据科学与 AI 驱动知识发现研究。
AgenTopic
J. Invest. Dermatol. · 2025发表于 Journal of Investigative Dermatology 的相关研究提出自动调优主题模型 AgenTopic，用于分析大规模银屑病科研文献，并识别研究热点及长期演化趋势。
研究问题 / RESEARCH QUESTION
Can AI help scientists discover the structure of scientific knowledge itself?
系统结合
- 01Transformer-based semantic embeddings
- 02dimensionality reduction
- 03clustering
- 04large language model feedback
- 05automatic topic optimization
AI 与科学学
AI & SCIENCE OF SCIENCE
IMPF-AI 同时关注人工智能如何改变科学研究和同行评议体系。
J. Informetrics · 2025
Reviewer–Author Intellectual Proximity
发表于 Journal of Informetrics 的研究分析审稿人与作者研究文本相似性和知识距离与同行评议行为之间的关系。
Scientometrics · 2026
Large Language Models and Peer Review
发表于 Scientometrics 的研究进一步评估大型语言模型能否判断同行评议报告质量，并探讨 AI 在未来科研评价系统中的能力边界。
这些工作将人工智能研究扩展至：
AI × Scientific Discovery × Peer Review × Knowledge Production
生物医学与临床研究
BIOMEDICAL & CLINICAL RESEARCH
IMPF-AI 的人工智能研究并非脱离医学问题本身。研究团队亦参与传统医学、肿瘤、生物信息学及真实世界医学研究。
早期研究还探索了血管生成相关分子特征、肿瘤预后以及免疫治疗响应等问题。这种医学研究背景构成了 IMPF-AI 的一个基本理念：
“Medical AI should be built around scientific and clinical questions — not around models alone.”
- traditional Chinese medicine clinical research
- NSCLC prognosis and treatment
- biomedical knowledge discovery
- psoriasis research
- medical real-world data analysis
- clinical evidence evaluation
研究路径
FROM MEDICAL AI TO AUTONOMOUS SCIENCE
IMPF-AI 的研究路径正在从医疗领域模型逐渐延伸至自主科学研究系统：
- 01Medical Knowledge
- 02Domain Foundation Models
- 03Knowledge Graphs & Retrieval
- 04Scientific Agents
- 05Evidence-Grounded AI
- 06Autonomous Scientific Discovery
LONG-TERM GOAL · AI SCIENTIST INFRASTRUCTURE
长期目标是建立能够与研究者共同工作的 AI Scientist Infrastructure：它能够阅读文献、连接数据库、调用科学工具、执行计算实验、生成假设并验证证据，同时保留完整的数据来源和推理边界。
代表论文
SELECTED PUBLICATIONS
-
2026
MedEthicsBench: Evaluating Medical Ethics Reasoning Across Jurisdictions
2026 IEEE International Conference on Digital Health (ICDH) （IEEE 国际会议）
-
2026
ZhongJingGPT: An Expert Knowledge-Guided Language Model for Traditional Chinese Medicine
Tsinghua Science and Technology （JCR Q1 · IF 5.4）
-
2025
Identifying Research Hotspots and Trends in Psoriasis Literature: Autotuned Topic Modeling with Agent
Journal of Investigative Dermatology （JCR Q1 · IF 7.0）
-
2025
Investigating the Effect of Publication Text Similarity Between Reviewers and Authors on the Rigor of Peer Review
Journal of Informetrics （JCR Q1 · IF 3.9）
-
2026
Can Large Language Models Assess the Quality of Peer Review? An Empirical Study
Scientometrics （JCR Q1 · IF 3.8）
-
2025
Impact of Traditional Chinese Medicine Therapy Focused on Strengthening the Body in Stage IIIA Non-Small Cell Lung Cancer
Chinese Medicine （JCR Q1 · IF 7.4）
-
2022
Angiogenic Factor-Based Signature Predicts Prognosis and Immunotherapy Response in Non-Small-Cell Lung Cancer
Frontiers in Genetics （JCR Q2 · IF 3.0）
-
2023
基于知识增强的医学语言模型：现状、技术与应用
《医学信息学杂志》（中文期刊）
注：JCR 分区与影响因子（IF）依据 Journal Citation Reports 2026 年 6 月发布的数据（2025 年度）。
INSTITUTE FOR MEDICAL PHILOSOPHY & FUTURE ARTIFICIAL INTELLIGENCE
IMPF-AI · 研究院方向
IMPF-AI explores the intersection of:
Medicine × Artificial Intelligence × Philosophy of Science × Autonomous Discovery
研究院关注的不只是“如何让模型更强”，而是进一步探索：
- 如何让人工智能产生更加可信的医学知识；
- 如何让计算预测与科学证据保持明确边界；
- 以及人工智能最终如何成为科学研究中的长期协作者。
OUR DIRECTION
- Trusted Medical AI
- Open Medical Foundation Models
- Knowledge Discovery
- Scientific Agents
- AI for Science
- Autonomous Science
Building AI systems that do not merely answer scientific questions — but help investigate them.