科研、项目、商务合作：nnhhce (注明来意,清北硕博团队专注于AI for Science大模型)
独家整理，盗用必究
❝
一句话概览：这是一篇系统梳理 1999–2025 年 AI 语音识别在临床场景落地表现的“全景式”研究，既量化精度，也剖析工作流、人机协同与未来数字抄写员（Digital Scribe）的技术路线图。一、为什么这篇综述值得你花 20 分钟？
● 临床文档负担与医生倦怠正螺旋上升；AI 语音识别能否真正减负？● 从 Dragon 到 GPT‑4——技术跨度 20 余年，算法范式如何迭代？● 29 篇原始研究 × 多维度指标，第一次系统对比 WER、F1、ROUGE、成本、满意度与安全性。二、研究全貌与检索框架2.1 PRISMA 流程：检索到纳入
图 1 PRISMA 流程图
**解读：**检索 5 244 条→去重→初筛 4 233 条→全文评估 60 条→最终纳入 29 条。覆盖急诊、门诊、住院与模拟场景，跨 11 个国家、18 种 AI 工具。2.2 数据维度与指标矩阵❝
核心度量公式一览（全部以 LaTeX 形式呈现）：
字错误率
其中
=替换数，
=删除数，
=插入数，
=参考词数。
精确率 / 召回率 / F1
ROUGE-
三、算法与系统谱系：从 ASR 到大模型 Digital Scribe3.1 传统 ASR：基于 HMM/GMM 的时代
早期系统（例：Dragon NaturallySpeaking 2001 版）采用隐马尔可夫模型（HMM）配合高斯混合模型（GMM）声学建模。局限：
医学词汇贫乏；
多说话人、口音敏感；
实时性与端到端部署困难。3.2 深度学习 SR：CNN/RNN + CTC/Seq2Seq
代表工具：IBM ViaVoice、Mozilla DeepSpeech、Amazon Transcribe 等。核心技术为卷积或循环声学编码 + CTC 损失：
， 其中
为去空白映射。
改进点：
端到端降低工程链路；
可增量微调医学词汇自适应语言模型
。3.3 Transformer 与自监督预训练
**关键飞跃：**Wave2Vec 2.0、Whisper、多模态 GPT‑4o。
以 对比学习损失
预训练声学表征；
大规模字幕 + 医学转录语料微调；
Prompt Engineering + RAG（Retrieval‑Augmented Generation）对接病历知识库。3.4 Digital Scribe：ASR × LLM 全链条
Nuance DAX、TORTUS AI、Autoscriber 等把 “识别→抽取→摘要→结构化” 整合成一条流水线：
四、结果纵览：性能区间与因子分析4.1 识别精度分布
场景
最低
最高
备注
受控单说话人
Issenman 等儿童胃肠科实验
多说话人对话
Kodish‑Wachs 等家庭医学
护士交接班
Suominen vs. Zhou
关键句：“多说话人与口音混杂是精度塌方的主要‘黑洞’。”4.2 摘要与结构化
van Buchem：Transformer‑STT + GPT‑4 摘要 未编辑
，人工轻改后
↑。
Sezgin：BART‑Large‑CNN 在急诊通话摘要 Fine‑tune 模型较 zero‑shot
提升
。4.3 工时与成本
研究
工时变化
经济评价
Zick 2001
周级缩短→小时级
**成本 ↓90%**（相对人工打字）
Issenman 2004
14→96 min/封信（不降反升）成本 ×2
（儿科特需用语）
Ma 2025
EHR 每日书写 ↓6.89 min
投资回收期约 10 月
原因剖析：
当
随误差率
指数上升 (
) 时，整体效率可能下降。五、风险与偏倚：方法学透视
图 2 风险偏倚堆叠图
图 3 可适用性关注点
要点：
患者选择与受控环境是主要高风险区；
真实世界多中心验证仍稀缺；
“没有统一参照标准——WER ≠ Patient‑Safety Score”。六、关键技术难点与破局策略6.1 口音与多说话人分离
引入 Beamforming + Speaker Diarization：
自适应权重
通过最小方差失真无响应束形（MVDR）优化。
说话人嵌入
对 ASR 前端条件化6.2 医学实体抽取与知识对齐
命名实体识别（BiLSTM‑CRF）：
智能提示（Prompt‑Tuning）： “从以下转录生成完整 SOAP 结构：{Transcript}”。6.3 即时错误预防 vs. 事后纠正
联合损失：
， 其中
预测删改标签，
调制梯度。
人机协同 UI：边录入边高亮可疑片段，缩短
。七、工作流集成与临床安全
公式化评估框架：
如对药物计量词漏识，
赋高值，触发硬性人工复核。
**现实困境：**电子病历厂商 API 不公开 → FHIR/SMART on FHIR 或成破局关键。
必须
方能低成本对接。八、未来展望：大模型驱动的全场景 AI 抄写员
Edge‑Cloud 协同：诊室侧 ASR + 云端 GPT‑5 级摘要，低延迟、高隐私。
多模态：结合视频、眼动追踪生成“情境增强”病程记录。
主动式决策支持：
，实时提示
交互。九、结论与实践启示
● 技术走到 GPT 时代，词错误率已非唯一瓶颈，更关键在语义完整与上下文重组。● AI 抄写若要真正减负，必须让
，并与 EHR 深度集成。● 管理者需并行评估成本、合规与培训，否则“省时”可能变“耗时”。附录：研究表格与代码资源索引❝
因版面限制，以下列示三张最关键的原文表；完整表格请见论文附录。
表 1 研究场景与 AI 工具汇总（节选）
研究
场景
工具
/
结论
Issenman 2004
儿科门诊
Dragon VRS
周转缩短但成本翻倍
Kodish‑Wachs 2018
全科门诊
8 家商用 ASR
多说话人精度差
van Buchem 2024
内科模拟
Autoscriber+GPT‑4
人工轻改可合格
表 2 LLM‑Based Digital Scribe 成本–效益（节选）
工具
科室
工时变化
满意度↑
投资回收期
Nuance DAX
皮肤科
−28 %
+34 %
12 月
TORTUS AI
英国多科室
−22 %
+27 %
10 月
表 3 QUADAS‑2 高风险条目（Top 5）
研究
高风险域
主要原因
Zick 2001
患者选择
单中心、自愿报名
Hodgson 2017
指标测试
任务设计偏差代码与数据集
Dragon Medical One（商业，API 申请）
Mozilla DeepSpeech: https://github.com/mozilla/DeepSpeech
Autoscriber (研究版本): https://huggingface.co/autoscriber
Nuance DAX Copilot: https://www.nuance.com/products/dax.html
作者按：如果说 2000 年的语音识别只是在键盘旁放了支“麦克风”，那么 2025 年的 AI 大模型抄写员，已开始在医生未开口前预测下一句话。技术尚未完美，但浪潮已不可逆。
https://link.springer.com/article/10.1186/s12911-025-03061-0
———— end ————
更多更深层次医疗大模型知识尽在👇
科研、项目、商务合作：nnhhce (注明来意,清北硕博团队专注于AI for Science大模型)
RiskbiasassessmentforthevariousstudiesusingQUADAS-2tool 模型
CCIR2019CCIR2019基于电子病历的数据查询类问答 ccMedQA中文医学QA数据集 cMedQA2中文医学QA数据集 CMID中文医学QA意图理解数据集 KGQA基于医药知识图谱的智能问答系统 chatbot-base-on-knowledge-Graph使用深度学习方法解析问题知识图谱存储查询知识点基于医疗垂直领域 的对话系统 中文医疗对话数据集Chinesemedicaldialoguedata中文医疗对话数据集 webMEdQAwebMEdQA MEDDIALOG THE MEDDiALOG DatasET CONTAiNS CONVERSATIONS (IN CHINESE) BETWEEN DOCTORS AND PATIENTS.IT HAS 1.1 MILLION DIALOGUES AND 4 MILLION UTTERANCES. CHIP2020中医文献问题生成 NLPEC A MEDICAL Multi-CHOICE QUESTION DATASET for THE NAtionaL LicEnsed PHaRmACIST ExAMINATIONIN CHINA CCKS2021蕴含实体的中文医疗对话生成 IMCS21CBLUE@Tianchi中医疗对话数据集IMCS21 “公众号·医工交叉AI大模型
CMekGgithubChineseMedicalKnowledgeGraph 瑞金医院人工智能辅助构建知识图谱大赛糖尿病相关的学术论文以及糖尿病临床指南的实体标注和抽取实体关 系任务 OMAHA知识图谱（药品适应症）开放医疗与健康联盟（OpenMedicalandHealthcareAlliance，OMAHA)构 建的药品与药品适应证的知识图谱数据 医疗知识图谱数据医疗知识图谱数据（ownthink） ，病人事件图谱数据集病人事件图谱是一种新的基于RDF的医疗观察性数据表示模型，可以清晰地表示临床检 查、诊断、治疗等多种事件类型以及事件的时序关系。使用三家上海三甲医院的电子病历数据，构建了包括3个 专科、173395个医疗事件、501335个事件时序关系以及与5313个知识库概念链接的医疗数据集。 中文症状库这是一个包含症状实体和症状相关三元组的数据集。中文症状库的数据来自8个主流的健康咨询网 站、3个中文百科网站和电子病历。它还包含了中文症状与UMLS中概念的链接结果。 中医医案知识图谱从医案中抽取临知识构建知识图谱，帮助用户了解中医特色疗法，以及疾病（如“慢性胃 炎”的临床表现、相关疗法、相关养生保健方法等 herbnet面向中药研究，根据中药领域模型的特点，构建了一个包括中医疾病，方剂，中药，中药化学成分， 药理作用，中药实验，化学实验方法在内的中药本体。进而，基于本体实现了一系列数据库的集成，从而构建 了一个中药知识图谱。 CHIP2020中文医学文本实体关系抽取 CCKS2020新冠知识图谱构建与问答 公众号·医工交叉AI大模型 cmekg医学关系提取工具cmekg医学关系提取
盼盼 邀请你加入星球，一起学习 医工交叉AI大模型 星主：盼盼 清华北大计算机创业团队，专注于医疗大模型研发 该知识星球包括论文代码复现、transformer、扩散 模型训练大模型技术，医疗智能体等等。 口品轮口 C知识星球 微信扫码加入星球 公众号，医工交叉AI大模型
SYSTEMATICREVIEW OpenAccess ? Evaluating the performance of artificial intelligence-based speech recognition for clinical documentation: a systematic review #公众号·医工交叉AI大模型
ChineseEHRBert中文电子病历预训练Bert；用Bert测试命名实体识别，问答模型，关系提取任务 MMC-BERTChineseBLUE数据集和模型 bertcner用于命名实体识别的预训练的中文医学Bert模型 PCL-MedBERT鹏城医疗BERT预训练模型 medbertBERT模型在中文临床自然语言处理中的应用探索与研究 Chinese-Word2vec-Medicine中文生物医学领域词向量 SMedBERTSMedBERT “公众号·医工交叉AI大模型 eHealthBuilding
公众号
WTLLNTSELE
Chrane(0=91) (n= 805) TONDE (A=4233) 1=4173 1=60) 1=4 ncluded 1#25+4=29)
SYSTEMATICREVIEW OpenAccess ? Evaluating the performance of artificial intelligence-basedspeechrecognition for clinical documentation: a systematic review
ChineseEHRBert中文电子病历预训练Bert；用Bert测试命名实体识别，问答模型，关系提取任务 MMC-BERTChineseBLUE数据集和模型 bertcner用于命名实体识别的预训练的中文医学Bert模型 PCL-MedBERT鹏城医疗BERT预训练模型 medbertBERT模型在中文临床自然语言处理中的应用探索与研究 Chinese-Word2vec-Medicine中文生物医学领域词向量 SMedBERTSMedBERT “公众号·医工交叉AI大模型 eHealthBuilding
CCIR2019CCIR2019基于电子病历的数据查询类问答 ccMedQA中文医学QA数据集 cMedQA2中文医学QA数据集 CMID中文医学QA意图理解数据集 KGQA基于医药知识图谱的智能问答系统 chatbot-base-on-knowledge-Graph使用深度学习方法解析问题知识图谱存储查询知识点基于医疗垂直领域 的对话系统 中文医疗对话数据集Chinesemedicaldialoguedata中文医疗对话数据集 webMEdQAwebMEdQA MEDDIALOG THE MEDDiALOG DatasET CONTAiNS CONVERSATIONS (IN CHINESE) BETWEEN DOCTORS AND PATIENTS.IT HAS 1.1 MILLION DIALOGUES AND 4 MILLION UTTERANCES. CHIP2020中医文献问题生成 NLPEC A MEDICAL Multi-CHOICE QUESTION DATASET for THE NAtionaL LicEnsed PHaRmACIST ExAMINATIONIN CHINA CCKS2021蕴含实体的中文医疗对话生成 IMCS21CBLUE@Tianchi中医疗对话数据集IMCS21 “公众号·医工交叉AI大模型
（RAG(检索增强生成）原理：如何结合知识库与文本生成》 中 《初识预训练模型：BERT、GPT系列与它们在医疗文本处理中的应用》 《搭建一个简单的检索系统：ElasticSearch与向量检索的入门示例》 《搭建医疗数据科学环境：硬件配置、软件依赖与常见工具》 中 《基于中文医疗语料的预训练模型微调方法实战》 《医疗数据预处理入门：数据清洗、去重与缺失值处理》 《医疗文本的语义理解：上下文分析与实体关系抽取》 《医疗文本数据采集与管理：数据来源、格式与合规性要求》 《医学术语与标准：ICD、SNOMED、LOINC等专业术语体系解析》 《自然语言处理（NLP）在医疗领域的基础：分词、词性标注与命名实体识别》 可如何构建医疗知识库：从结构化数据到本体构建》 公众号·医工交叉AI大模型
(A= 805) COCHRANE (=91) (S= 4233) 1=4173) OUGHT fORRETRIEW :4 CLUDED (N-0) 125+429)
SE(N=1347) COCHMAME (A=91) (A = 805) (S= 4233) 1=4173) OUGHR forRETRIEVA :4 GSEXCLUDED (-0) cluded 公众号·医工交叉AI大模型 ■25+4=29)
SYSTEMATICREVIEW OpenAccess ? Evaluating the performance of artificial intelligence-basedspeechrecognition for clinical documentation: a systematic review
RiskbiasassessmentforthevariousstudiesusingQUADAS-2tool
（RAG(检索增强生成）原理：如何结合知识库与文本生成》 中 《初识预训练模型：BERT、GPT系列与它们在医疗文本处理中的应用》 《搭建一个简单的检索系统：ElasticSearch与向量检索的入门示例》 《搭建医疗数据科学环境：硬件配置、软件依赖与常见工具》 中 《基于中文医疗语料的预训练模型微调方法实战》 《医疗数据预处理入门：数据清洗、去重与缺失值处理》 《医疗文本的语义理解：上下文分析与实体关系抽取》 《医疗文本数据采集与管理：数据来源、格式与合规性要求》 《医学术语与标准：ICD、SNOMED、LOINC等专业术语体系解析》 《自然语言处理（NLP）在医疗领域的基础：分词、词性标注与命名实体识别》 可如何构建医疗知识库：从结构化数据到本体构建》 公众号·医工交叉AI大模型
盼盼 邀请你加入星球，一起学习 医工交叉AI大模型 星主：盼盼 清华北大计算机创业团队，专注于医疗大模型研发 该知识星球包括论文代码复现、transformer、扩散 模型训练大模型技术，医疗智能体等等。 口品轮口 C知识星球 微信扫码加入星球 公众号，医工交叉AI大模型
医工交叉AI大模型知识星球（持续更新） 生物大模型 今天修改 自Qilin-Med-VL中文多模态医疗大模型一一从安装到实际应用的完整指南 自MedFound大模型诊断辅助系统完全指南：从安装到临床实践 自MedAlpaca实战教程：大语言模型提升医疗工作效率 自Medical Data for Machine Learning/机器学习医疗公开数据 自本草（BenTsao）「原名：华驼(HuaTuo）1医学大语言模型实践应用教程 自MedicalGPT实战指南：从零开始构建你自己的医疗大语言模型 自OpenEMR电子病历系统详细使用指南：从安装到临床应用 自中文医学语言公开资源整理：术语集/语料库/词向量/预训练模型/知识图谱/命名实 自医疗自然语言处理领域：评测/比赛，数据集，论文和预训练模型资源汇总 自本地部署deepseek+dify+6科室医疗知识库，实现智能问诊 自透析患者大模型检索增强生成（RAG)系统 自近两年临床自然语言处理方向的医疗AI大模型整理详述 自医疗数据与大语言模型：从结构化到非结构化 自检索增强生成（RAG）在医疗文本处理中的最新进展详细整理（2023-2025） 自大语言模型在医疗领域的应用详细整理 自医疗大模型训练中的数据采集，预处理与质量控制深度探讨 自利用大语言模型实现医疗问答系统精准回答的研究详细整理 自自适应学习与微调：医疗场景下大语言模型的二次训练策略 强公众号： 医工交叉AI大模型 系统在中国医院管理中的应用详细整理
医工交叉AI大模型知识星球（持续更新） 生物大模型 今天修改 自Qilin-Med-VL中文多模态医疗大模型一一从安装到实际应用的完整指南 自MedFound大模型诊断辅助系统完全指南：从安装到临床实践 自MedAlpaca实战教程：大语言模型提升医疗工作效率 自Medical Data for Machine Learning/机器学习医疗公开数据 自本草（BenTsao）「原名：华驼(HuaTuo）1医学大语言模型实践应用教程 自MedicalGPT实战指南：从零开始构建你自己的医疗大语言模型 自OpenEMR电子病历系统详细使用指南：从安装到临床应用 自中文医学语言公开资源整理：术语集/语料库/词向量/预训练模型/知识图谱/命名实 自医疗自然语言处理领域：评测/比赛，数据集，论文和预训练模型资源汇总 自本地部署deepseek+dify+6科室医疗知识库，实现智能问诊 自透析患者大模型检索增强生成（RAG)系统 自近两年临床自然语言处理方向的医疗AI大模型整理详述 自医疗数据与大语言模型：从结构化到非结构化 自检索增强生成（RAG）在医疗文本处理中的最新进展详细整理（2023-2025） 自大语言模型在医疗领域的应用详细整理 自医疗大模型训练中的数据采集，预处理与质量控制深度探讨 自利用大语言模型实现医疗问答系统精准回答的研究详细整理 自自适应学习与微调：医疗场景下大语言模型的二次训练策略 强公众号： 医工交叉AI大模型 系统在中国医院管理中的应用详细整理
CMekGgithubChineseMedicalKnowledgeGraph 瑞金医院人工智能辅助构建知识图谱大赛糖尿病相关的学术论文以及糖尿病临床指南的实体标注和抽取实体关 系任务 OMAHA知识图谱（药品适应症）开放医疗与健康联盟（OpenMedicalandHealthcareAlliance，OMAHA)构 建的药品与药品适应证的知识图谱数据 医疗知识图谱数据医疗知识图谱数据（ownthink） ，病人事件图谱数据集病人事件图谱是一种新的基于RDF的医疗观察性数据表示模型，可以清晰地表示临床检 查、诊断、治疗等多种事件类型以及事件的时序关系。使用三家上海三甲医院的电子病历数据，构建了包括3个 专科、173395个医疗事件、501335个事件时序关系以及与5313个知识库概念链接的医疗数据集。 中文症状库这是一个包含症状实体和症状相关三元组的数据集。中文症状库的数据来自8个主流的健康咨询网 站、3个中文百科网站和电子病历。它还包含了中文症状与UMLS中概念的链接结果。 中医医案知识图谱从医案中抽取临知识构建知识图谱，帮助用户了解中医特色疗法，以及疾病（如“慢性胃 炎”的临床表现、相关疗法、相关养生保健方法等 herbnet面向中药研究，根据中药领域模型的特点，构建了一个包括中医疾病，方剂，中药，中药化学成分， 药理作用，中药实验，化学实验方法在内的中药本体。进而，基于本体实现了一系列数据库的集成，从而构建 了一个中药知识图谱。 CHIP2020中文医学文本实体关系抽取 CCKS2020新冠知识图谱构建与问答 公众号·医工交叉AI大模型 cmekg医学关系提取工具cmekg医学关系提取
Customerservio Customer service
内容提及地域：上海市、上海市
IP属地：中国 北京