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 【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

③ 精 准 可 解 释 ④ 医 疗 应 用 ② 剖 析 大 模 型 ① 关 于 预 训 练 预训练大模型 （学习共性） 大数据（低成本无标注） 少量特定领域标注数据 （成本高） 微调小模型 （学习特性） ⑤ 数 基 生 命 1.模型角度：模型参数不再是随机初始化，而是通过一些任务（如语言模型）进行预训练； 2.数据角度：将训练任务拆解成共性学习和特性学习两个步骤。 CHIMA prediction ，对应图 NSP ）进行预训练，使得模型能够学习到上下文关系和词汇语义。预训练好的 BERT 可以用于对 输入文本进行编码，得到具有语义的向量表示。 预训练好的 BERT 也可以通过微调（ fine-tuning ）方式适配各类 NLP 任务： The Stanford Question Answering Dataset 问答（ SQuAD ）、命名实体识别（ NER ）、 MNLI 医学影像报告中的所见 -> 影像学报告中的印 象 1 ）构建并融合知识图谱 + LLaMa （ Meta 公司开源的生成式大 模 型） 利用知识图谱直接显式的进行形式化拼接，引入预训练语料，通过 微调的开源大模型，得到精确性与可解释性更好的模型。 2 ）知识图谱在 prompt engineering 中的应用方法 知识图谱的引入可以使其上下文环境更符合现有领域知识，比如用 知识图谱来构建不

据结构来确保数据的完整性和可读性。 2. 模型选择：选择与医疗文本生成相关的预训练 AI 大模型，可 以根据模型的性能、训练数据和针对医疗领域的专用性来进行 评估。可能的选择包括结合医疗领域知识进行微调（fine- tuning）的版本，确保更符合临床实际。 3. 模型训练与优化：在选择模型后，通过对特定医疗文本的训 练，进一步提升模型的生成效果。此过程可能包括选用特定的 优化算法、调整学习率，以及利用结合现有病历数据集进行迁 升初步诊断的准 确性。 为了实现上述功能，AI 大模型通常由几个关键组成部分构成， 包括但不限于：  数据预处理：对病历数据进行清洗和结构化；  模型训练：在大规模标注数据上进行训练，微调模型以适应中 医病历的特点；  模型评估与优化：通过交叉验证和反馈机制，不断优化模型性 能；  推理与生成：利用训练好的模型进行实时病历生成，并根据医 务人员反馈进行调整。 模型的构 通过对海量历史病历数据的学习，能够实现更准确的疾病识别和状 态评估，并提供基于证据的诊疗建议。 具体技术趋势如下：  预训练模型的普及：如 GPT、BERT 等模型通过在大规模语料 库上进行预训练，然后在特定医疗领域进行微调，使得模型能 够更好地理解和生成专业的医疗语言。  迁移学习的应用：迁移学习技术使得已经在其他领域训练好的 模型能够迅速适应医疗领域，通过少量数据就能实现较好的性 能，极大地降低了模型训练的成本与时间。

亿。 迅猛发展期：参数突破百亿级，从“手工作坊”进入“工业量产”。 GPT-2( 2019)15 亿参数，能生成连贯长文本， GPT-3(2020)1750 亿参数，零样本学 习 ( 无需微调直接使用 ), 震惊业界。 生态期 (2023 至今 ): 应用与争议并存， · 特点：通用大模型竞争白热化，垂类模型兴起，社会伦理问题爆发。 · 关键进展： ChatGPT(2022.11): 海量医学文献、病历 互 联 网 全 部 电 子 数 据 业务系统 ( 料研、临床、电者服务 等 ) 嵌入或者 API 调用 智能应用 ( 对话形式 ) 智能能力 ( API 形 式 ) 监督微调 (SFT) 持续预训练 (Continue PreTrain) 从零预训练 (PreTrain) 应用知识库 ( 专病指南、 FAQ 等 ) 增强检索 (RAG) 工作流 (Workflow)