基于Loop Engineering的医疗算法编程PDCA闭环改造研究
摘要
随着大语言模型、AI Agent、向量数据库、数据湖仓和医疗软件工程的发展，医疗算法编程正从传统人工编码模式转向“数据驱动—知识增强—Agent自动迭代—持续验证—合规审计”的闭环工程模式。Loop Engineering作为面向AI Agent自动迭代编程的新型工程方法，其核心不再是一次性提示词设计，而是通过任务规划、代码生成、工具调用、自动测试、错误反馈、知识检索、代码修复和版本沉淀，形成可持续优化的编程循环。医疗算法具有高风险、高合规、高可解释和高责任属性，因此其Loop Engineering不能简单追求自动化效率，而必须嵌入医疗数据标准、湖仓一体架构、向量知识库、模型监控、人在回路和审计追踪机制。本文进一步提出“数据湖仓层—向量知识层—Agent编程层—模型服务层—治理审计层”的医疗算法编程架构，为医院、医疗 AI 企业和医学信息化团队提供系统化技术路线。
关键词
Loop Engineering；AI Agent；医疗算法编程；PDCA循环；向量数据库；数据湖仓；RAG；FHIR；MLOps；医疗人工智能治理
一、引言
医疗人工智能正在从单点算法工具进入临床流程、科研平台、医院运营和患者服务体系。AI 医疗器械数量持续增长，医疗算法的应用重点主要集中于医学影像、心血管、神经系统、临床决策支持和智能监测等场景。JAMA Network Open 2025 年研究显示，在截至 2024 年 8 月 31 日 FDA 网站公开列示的 903 个 AI 医疗器械中，放射学相关设备占 76.6%，心血管相关设备占 10.1%，神经学相关设备占 3.2%；其中 73.5% 为纯软件形态，97.1% 通过 510(k) 路径获批1。这一数据说明，医疗 AI 已经高度软件化、算法化和工程化，医疗算法编程质量正成为医疗安全与数字化治理的重要变量。
与此同时，医疗算法开发模式也发生明显变化。传统流程通常是“医生提出需求—工程师编码—数据科学家建模—测试人员验证—系统上线—后期维护”。该流程具有清晰的人工作业边界，但面对临床数据复杂性、诊疗指南更新、模型漂移、跨机构泛化和快速迭代需求时，容易出现需求转译滞后、测试覆盖不足、上线后反馈弱、版本追踪困难等问题。尤其在大语言模型和生成式 AI 进入医疗软件开发后，算法代码不再完全由人类逐行编写，而可能由 AI Agent 自动生成、修改、测试和解释。软件工程正在从Prompt Engineering迈向 Loop Engineering。
本文所称 Loop Engineering，是指面向 AI Agent 自动迭代编程的闭环工程方法。它通过构建 Agent、工具链、环境反馈、验证器、记忆库和终止条件，使 AI Agent 能够在受控范围内循环执行“需求理解—方案规划—代码生成—测试执行—错误分析—代码修复—再测试—版本提交”。SWE-bench Verified 提供了 500 个经人工验证的真实软件工程任务，用于评估 coding agent 解决真实 GitHub 问题的能力2。这类评测反映出 AI Agent 编程正从简单代码补全走向真实代码库级别的软件维护。
但医疗算法编程不是一般软件开发。医疗算法涉及患者安全、医疗责任、数据隐私、模型解释、算法公平和监管合规。FDA 2025 年关于 AI-enabled device software functions 的预设变更控制计划指导强调，AI 医疗软件可以通过预先定义的变更计划支持迭代改进，但必须持续保证安全性和有效性3。WHO 关于健康领域大规模多模态模型的伦理治理指导也指出，生成式 AI 在医疗、科研、公共卫生和药物研发中具有广泛应用潜力，但必须关注透明性、问责、风险控制和伦理治理[4]。因此，医疗算法编程的 Loop Engineering 应与 PDCA 循环深度结合，以质量管理方法约束自动化编程过程。
二、理论基础与研究框架
（一）PDCA 循环的再解释
PDCA 包括 Plan、Do、Check、Act 四个阶段。传统质量管理中，Plan 强调问题识别和方案设计，Do 强调实施，Check 强调检查评价，Act 强调改进和标准化。在医疗算法编程场景中，PDCA 可被重新解释为算法工程闭环：Plan 是临床需求、数据资源和风险边界的定义；Do 是 AI Agent 编程、数据处理和模型构建；Check 是自动化测
