人工智能赋能医院智慧实验室的建设方案（50页 PPT）

微信扫码，打开到小程序

2025 人工智能赋能智慧实验室的建设方案 人工智能发展历程 1956 年 达特茅斯会议 约翰 · 麦卡锡提出人工智 能标志 AI 的诞生 1957 年 罗森布切特发明感知机 Perceptron ，将人工智 能推向第一个高峰 1970 年 计算能力无法支持 大模型数据训练和 复杂任务， AI 进 入第一个低谷 第一次 浪潮 1960s 1980s 2000s 2020s 1982 年 霍普菲尔德神经 网络被提出 1986 年 BP 算法使得大规模神 经网络的训练成为可能， 将 AI 推向第二个黄金 期 199 0 年 AI 计算机 DARPA 计划失败，政府缩 减投入， AI 进入第 二次低谷 2006 年 Hinton 提出“深度 学习“神经网络使 得人工智能性能获 得突破性进展” 2013 年 深度学习算法在语音 和视觉识别上识别率 显著提升，进入感知 智能时代 2016 年 AlphaGo 战胜人类 围棋冠军， AI 关 注 度空前提升 2022 年 OpenAI 发布 GhatGPT ， AI 智力水平 实现飞跃，进入大模型 时代 第二次 浪潮 第三次 浪潮 Sora 发布，大模 型 视频多模态迈进。 的语音模态向图文 DeepSeek 发布 2024 年 2025 年 2025 人工智能算法发展阶段 典 型 应 用 核 心 技 术 应 用 表 现 统计机器学习 1980 年代至 21 世纪初期 硬件奠基，算法发展，数据积累 算法框架：逻辑回归、朴素贝叶 斯 .... 特征工程 + 算法 推荐系统 输入法 可解释但依赖人工经验输入 深度学习 2010-2020 硬件发展，大规模数据，算法突破 推荐系统 人脸识别 算法框架：深度神经网络、卷积神经网络 自动进行特征学习，端对端训练，有监督 在特定场景效果好，但需要根据 不同任务训练不同的模型，泛化 能力差 生成式 AI 2020- 硬件、算法、大数据全面突破 对话机器人 算法框架： Transformer 大规模无 监督预训练 多任务、多模态统一处理 自然语言理解、世界知识记忆、 逻辑推理 人工智能时代推动检验技术的发展 大数据 人工智能 物联网 云计算 自动化图像识别 高通量数据处理 检测智能化与自动化 个性化医疗 多指标联合分析 / 精准诊 断 大数据整合与模型预测 检测智能化与自动化 数字生物标志物解决临床应用挑战 实验室检测挑战 临床应用挑战 临床应用场景复杂 • 多指标组合困境 -DRG/DIP （如肺癌需 ProGRP+NSE 或 CEA+CYFRA21-1 组合） • 动态监测复杂性—治疗干扰，生物半衰期差异 沟通及认知偏差 • 检验 - 临床信息断层 - 异常值解读缺乏上下文（如 CA724 升高未关联患者胃溃疡病史）；报告形式僵 化 （仅提供数值未标注临床意义层级） • 医生认知偏差 - 不同医生可能对某些标志物的临床意义 理解不一致，特别是对一些标志物的敏感性和特异性的 了解可能有所偏差，没有进行其他检测手段的综合的临 床判断，导致在诊疗中采取不一致的标准或决策。 肿瘤标志物自身局限性 • 单个指标特异性敏感性不够 • 肿瘤异质性 技术方法学限制 • 不同方法学及平台结果有差异 • 标准化进程 干扰因素多样性 • 药物干扰 • 标本因素 肿瘤标志物筛查诊断的局限性 4ng/mL 10ng/mL “ 灰 区” 过度筛查与诊断 PSA 灰区患者的穿 刺活检阳性率只有 25% 左右 PSA≠“ 前列腺癌” 特异性低 良性增生、炎症等 均可引起 PSA 升高 AI 生物标志物：前列腺健康指数 PHI 0to 综合 PSA ， fPSA 和 p2PSA 浓度的多因子数学模型，用于前列腺 PSA“ 灰区”患者诊断  AI 生物标志物： ASAP 与 GAAD 模 型 ASAPvs.GAAD 在早期 NAFLD 相关 HCC 中的诊断效 能  GAAD 模型及 ASAP 模型获得指南推荐通过肝癌的血液学分子标志物监测帮助肝癌早期诊断。  GAAD 模型及 ASAP 模型在鉴别所有分期 NAFLD 相关 HCC 患者时都具有最高的诊断效能，优于任何单一肝癌血清标 志物 Gender Age AFP DCP GAAD ASAP 模型 GAAD 模型 AI 生物标志物研究举例之自身免疫 病 • 人体免疫系统错误地攻击和损害自身细胞、组织和器官的一类疾病 • 临床症状重叠 , 诊断标准复杂 , 发病率逐年升高 • 患者的经济以及精神的负担都相对增大 • 早期诊断对于自身免疫疾病的治疗至关重要 科学目的：基于实验室指标构建自身免疫风湿病早期分类的 多分类模型  研究对象： 519 例 SLE 患者， 163 例 SS 患者， 243 例 IM 患者  研究指标：自身抗体、血常规、生化常规、临床特征  指标筛选：差异分析、相关性分析、单因素多因素分析、 LASSO 回归  模型筛选： 4 种机器学习模型比较  模型优化：性能最优模型进行指标优化  外部验证：独立数据进行模型验证 AI 生物标志物研究举例之自身免疫 病 AI 生物标志物科研成果的临床应 用 AI 生物标志物从 IDEA 到 APPLY 大语言模型的发展历程 Deepseek 横空出世 2023 年 7 月 DeepSeek 成立 2024 年 5 月 宣布开源第二代 MoE 大 模型 DeepSeekV2 2024 年 11 月 推理模型 DeepSeekR1Lite 预览 版正式上线 2024 年 1 月 发布首个大模型 DeepSeekLLM 2024 年 9 月 合并 Deep-SeekCoderV2 和 DeepSeekV2Chat 两个 模型，升级推出全新的 DeepSeekV2.5 新模型 2024 年 12 月 宣布 DeepSeekV3 首个版本上 线并同步开源模型权重 2025 年 1 月 正式发布 DeepSeekR1 模型，在大模型排名 Arena 中其基准测试升 至全类别大模型第三 加快 AI 应用普及降低训练成 本 加快国产模型 + 国产芯片的进 程 开源生态推动技术平权和应用普惠 DeepSeek 的开源策略降低了中小 企业和开发者使用先进 AI 技术的 门槛，加速了技术普惠。 API 服务 定价仅为 OpenAI 的几十分之一， 吸引全球用户日活突破 2000 万。 开源模型打破了头部厂商的垄断， 推动更多二线企业和开发者入场 DeepSeek 在性能上比肩 OpenAI 的 o1 ，中美模型技术差距从 1-2 年缩短至 3-6 个月，验证了国内在 算法优化和工程能力上的突破 DeepSeekV3 创新带来对标 GPT- 4o 的性能和远低于 4o 的训练 / 推 理成本，训练成本 6% 、推理成本 10% 。技术进步带来的成本降低 会加速 AI 大模型的各类场景的应 用，进一步加速 AI 云计算需求 DeepSeek 自研 PTX 代码和算力 适配，直接操作 GPU 芯片网络通 信，降低对英伟达 CUDA 依赖， 避免被英伟达生态绑架 强大 开源 国产 便宜 DEEPSEEK 人人都可以创建智能体 中美差距缩小至 3-6 个 月 各级政府积极推动卫生健康行业 AI 应用创新 发布《卫生健康行业人工智能应用场景 参考指引》从四大领域给出 84 个应用 场景。 《上海市发展医学人工智能工作方案 (2025-2027 年 ) 》，旨在促进医学与 人工智能深度融合。 《武汉市促进人工智能产业发展若 干政策措施的通知》，通过算力补 贴、公关专项等方式发展人工智能。 AI 医疗迎来爆炸式发 展 在人工智能（ AI ）技术飞速发展的时代，医疗实验室正迎来一场深刻的变革。 XX 医院检验科率先迈出智能化升级的重要一步，基于本地部署的 DeepSeek 模型， 打造了全国首家实验室智能助手——“问问同检！” 全国首家实验室 AI 智能助手“问问同检”  RAG 框架（检索、增强、 生成）；  自动总结 + 推理。 项目说明查询 仪器 / 试剂说明书查 询  任务型对话的意图识别；  NLP 任务增强：引入外部知 识库。  LIS 系统已接入，免输入一键结 果解读；  Deepseek 、 QWQ 多模型选择。 报告单解读 标准化操作流程查询  大语言模型专业化 （ LLMSpecialization ）；  标准化、流程化、数字 化、 AI 化。  忠于原文语义与结构；  注重语言的美学表达。 文献翻译 / 解 读  为医护打造的检验科 RAG ；  降低不合格标本比例；  医检沟通的好伙伴。 “ 问问同检”医护版 专业文献综述撰写  内置提示词工程 (promptengineering) 优化撰 写水平；  基于上传的个性化文献知识库 生成  大语言模型 + 机器人（未来）；  新时代的陪诊师。 “ 问问同检”患者版 八大应用场景： 场景一：检验项目不清楚？ “ 问问同检！”随时获取详细资料 在实验室中，检验项目的种类繁多，每个项目背后都有复杂的说明书和操作 指南。为了确保每项检验的准确性和有效性，检验科人员需要随时查阅这些资料。 “问问同检！ " 可以通过智能搜索引擎为检验人员提供项目说明查询、总结功能，只需输入 项目名称或关键词，系统便能迅速调出相关的说明文档和资料。 “ 问问同检”在实验室中的应用实例 “ 问问同检！” - 项目说明问答 场景二：规范实验室操作流程 标准化操作，减少误差 检验科的工作流程通常涉及多个环节，从样本采集到接收、检测到报告生成， 每一步骤都有严谨的操作规范。“问问同检！“能够为实验室提供完整的操作流程管 理，确保所有步骤按照标准流程执行。例如， HIV 的报告流程与其它项目不同， “问问同检！”提示工作人员按照 SOP 执行报告流程，避免差错的发生。 “ 问问同检”在实验室中的应用实例 “ 问问同检！” - 标准化操作流程 场景三：仪器 / 试剂说明书查询 简化设备操作 在实验室高科技设备的使用过程中，仪器 / 试剂说明书是确保设备高效运行的必备资料。然而，随着仪器种 类的增多，操作人员可能无法记住每台设备的具体操作方法。“问问同检！”可以整合各类仪器说明书，并提供智 能检索功能，帮助检验科人员在使用设备时快速查询相关的操作步骤和注意事项。通过深度学习和语义分析， “问问同检！“能够根据设备的型号给出定期维护和操作建议。例如：不久前主任想知道 C Y C 能否溯源，同事查询 了说明书回复了它，有了“问问同检！”，以后，直接问问同检就行啦！ “ 问问同检”在实验室中的应用实例 “ 问问同检！” - 仪器 / 试剂说明书的查询 BEFORE AFTER “ 问问同检”构建流程 构建流程： “ 问问同检”应用方案的选择 当前常见的大模型应用方案主要包括大模型直答、大模型微调和 RAG ( 检索增强生成 ) 。 大模型直答虽成本低，但幻觉现象严重，缺乏领域知识与实时信息，且可溯源性较差。微调方案通过 优化模型获取领域知识，减少部分幻觉问题，但仍无法动态更新数据，且训练成本较高。 大模型 应用方案 大模型直答 问题 LLM 回答 问题 大模型微调 LLM + 领域知识 回答 RAG( 检索增强生成 ) 问题 + 检索知识 LLM 回答 大模型直答 大模型微调 RAG ( 检索增强生成 ) 外在幻觉 多 中 少 领域知识 无 有 有 实时信息 无 无 有 可溯源 无 无 有 成本 低 高 低 RAG 方案则通过检索外部知识库，将外部知识作 为 生成内容的基础，从而大幅降低幻觉现象的发生。与仅 依赖模型记忆的直答和微调方案不同， RAG 方案具备 动态接入外部知识库的能力，在应对领域性问题和实时 信息需求时表现更加出色。 场景四：报告单解读 快速精准的辅助诊断 报告单解读是实验室检验科工作中最为关键的环节之一。传统上，报告单的解 读需要依赖医务人员的经验，且常常耗费大量时间。利用 DeepSeek 的自然语言处理 （ NLP ）能力， " 问问同检！“可以快速通过报告单中的关键信息，进行智能分析，帮助 检验人员更好地理解报告内容。 “ 问问同检”在实验室中的应用实例 “ 问问同检”在实验室中的应用实例 LIS 系统集成 AI 工具：“问问同 检！” 场景五：文献翻译 / 解读 高效获取最新科研成果 医学和检验领域的进展日新月异，实验室人员需要不断学习和跟进最新的科研成果。 然而，海量的医学文献常常让人感到头疼。“问问同检！“利用其强大的文献检索和解读功能， 能够帮助检验科人员高效地获取最新的科研成果和技术动态。系统能够根据关键词、文献主题 或领域筛选出相关的研究，自动生成解读文献，节省了大量人工阅读的时间。 “ 问问同检”在实验室中的应用实例 ” 问问同检！“ - 文献翻译总结 场景六：贴合检验专业的文献综述撰写 自动化科研文章生成器 对于检验科的科研工作者来说，撰写高质量的文献综述是一项必不可少的任务。“问问同检！ " 可以基于大量的文献数据，自动提取出与检验相关的研究趋势、技术发展、成果总结等信息， 并根据特定主题生成文献综述。例如，在撰写关于某类疾病检测方法的综述时，“问问同检！ " 可 以自动归纳该领域内的重要研究成果，整理出相关的检测技术和方法，帮助科研人员迅速完成综述报告、 论文书写。 “ 问问同检”在实验室中的应用实例 “ 问问同检”构建中的提示词工程 提升模型输出的准确性 核 心 重 要 性 医 疗 提 示 词 的 通 用 模 板 提示词工程——优化大语言模型输出的关键手段 收窄输入问题域，通过反复迭代，达到模型输出精确匹配使用需求的目的 优化模型的行业适配性 提高医疗服务效率 症状咨询回复模板 适用场景：患者通过在线平台咨 询症状时，快速生成初步诊断建 议 结果咨询回复模板 适用场景：患者对检验结果有疑 虑时，提供简洁的解答 患者咨询类 医学研究类 医疗文件类 病历模板 适用场景：快速生成标准化的病 历摘要，方便医护查阅。 研究文章总结模板 适用场景：快速提取研究文章的 核心内容，用于学术交流或临床 参考临床试验概述模板 适用场景：为临床试验提供简洁 介绍，便于同行了解研究设计和 目标 DeepSeek 在医学检验中的应用实例报 道 场景七：患者指引 优化患者体验，提供个性化信息 患者在进行各类实验室检查时，往往对具体的检查过程和注意事项了解不足，容 易产生焦虑或不必要的困惑。为了帮助患者更好地理解自己的检查项目，“问问同 检！”可以为患者提供智能化的指引功能。 DeepSeek 在医学检验中的应用实例报 道 “ 问问同检！护理版”临床沟通 检验项目收费咨询 项目采集要求查询 “ 问问同检！护理版” - 临床沟通 采血顺序要求查询 项目送检时间要求查询 “ 问问同检！”获得关注、转发 官方公众号： 6 家，转发次数 2000+ ，阅读量 36000+ NEXT- 微生物抗生素使用指引 将微生物检验知识库内容转为规则，通过 规则判断实现分级报告过程中的抗菌药物 经验用药和精确指引 原来的方案 现在的方案 将微生物检验知识库以病原体、抗生素、 疾病为分割要素导入向量数据库进行检索 增强，通过 LLm 的语义理解和自然语言 输出实现分级报告过程中的抗菌药物经验 用药和精确指引 A. 基于微生物检验知识库的微生物智能分级报告抗生素使用指引 NEXT- 微生物抗生素使用指引  抗生素用药指引 NEXT- 基于专家共识或者指南的检验结果解 读 B. 基于专家指南或共识的检验结果解读 结果解读 NEXT- 基于大语言模型的辅助排班系统  资质能力矩阵管理系统（证书限定、新人准入原则）  分层级人力调配引擎（临床经验梯度配置）  人性化排班偏好协调机制（夜班轮次限定、周末频次限定、 特殊时段标记 - 产假、病假、年假等、职业发展窗口预留 - 科研、门诊、教学等）  需求预判分析系统（工作量高峰岗位、流行病季节等）  可视化排班管理：采用图形化界面展示排班信息，便于管 理人员和员工直观理解排班情况，提高沟通效率 【核心机制】基于岗位需求与人力资源的 " 动态平衡法 则 "  临床资源精准匹配  医疗质量安全强化  人员发展需求适配 【系统价值】通过人工智能持续优化，实现三大核心目标： 构建排班决策智能数据中枢、自动排班、人工微调 【智能排班】 NEXT- 基于大语言模型的质量指标总结 质量指标总结 NEXT- 基于大语言模型的员工考核系统 未经专业训练的大语言模型 AI 技术在检验医学中落地的挑 战 通用大模型（如 DeepSeek ）在开放 领 域的能力较强，但医疗场景高度专业 化，需要深度训练的医疗大模型。 例如，医学影像诊断、病理分析、基 因组数据建模等，涉及大量行业特定 数据，并不是通用 NLP 模型能直接 适 配的。 医疗 AI 需要更强的专业 性 现有大模型仍然主要基于统计模式匹 配，但医疗领域需要 AI 具备因果推 理和可解释性，以提升医生信任度。 例如， DeepSeek 的代码生成能力虽强， 但仍然存在机器欺骗与机器幻觉的问题， 在医疗数据分析中如何保证模型的可靠 性和安全性，仍然是一个待解的问题。 医疗 AI 需要可解释性与安全 性 大模型从“实验室”走向“临床实践”，涉 及监管和法律法规等现实挑战。 目前大语言模型可以在智能问答、医 学知识总结等任务上提供支持，但出 现误导、伤害等后果时谁应担责？如 何认定主观过错与技术瑕疵？医疗行 业对模型使用有更高的准确性与审慎 义务，但目前缺乏专门规范。 落地的法律法规挑战 实验室 AI 智能体的打造与优 化 49 基础通用底座 本地化训练 任务能力训练 思维链 临床应用 增加模型知识 提升技能能力 打造临床思维 加 知识 堆 技能 强 推理 知识 循证 智能体 平台 结论可循证 人工智能的未来 -AI 智能 体 人类智能 脑容量小 脑容量大 工具使用 群体协作 人工智能 小模型 大模型 智能体 群体智能 人工智能很可能即将走跟人类智能一样的发展路径！ AI 与检验人的关系将会如何发 展 检验人会被人工智能取代吗？ 加入星球获取更多更全的数智化解决方案 人机协同与互补：未来社会的共生模式 医学知识的解释者 AI 工具的掌舵 者 工作流程的治理者