4 亿 数据量约 78GB CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn 2019 年 8 月 清华大学提出知识注入 BERT 模型，后由 Baidu AI 更新迭代 到 3.0 版本 参数量 1.15 亿， 1.25 亿， 100 亿 数据量约 12GB ， 22.9G ， 4TB 2020 年 3 月 成本高、部署困难、每次调用花费不菲，对 工程能力有很高的要求， GPT-3 模型的 训 练成本在 875 万 -1093.75 万美元之间 03 因为数据的偏见性，很可能生成有害内容 05 时效性差，无法实时地融入新知识，知 识范围局限于基础大规模语言模型使用 的预训练数据时间之前 02 反映的是标注人员的偏好，在标注人 员分布不均的情况下，可能会引入新 的偏见问题 06 CHIMA 20Pag2 大模型精确性提升思路：知识嵌入 ③ 精 准 可 解 释 ④ 医 疗 应 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于 预 训 练 大模型语言本身具有很强的语言理解或生成能 力，然而为了提高其叙述内容的真实性和严谨 性，需要采用特定的技术路线，例如将知识图 谱中的事实描述融入大模型的训练过程中。 知识嵌入： Zhang 等人通过将知识图谱的表示 向量加入到

但容易出错，得人类盯着。 ·L4 ( 更浅黄 ): “ 发明家” → 能创造人类想不到的东西，比如发明新物理定律、设计从未有过的音乐风格。 → 现状：科幻片水平，目前 Al 只能组合现有知识 ( 比如写歌还是模仿人类风 格 ) 。 ·L5 ( 顶层，接近白色 ): " 幕后大 BOSS" → 一个人工智能管一家公司甚至一个国家，自己定战略、招员工、搞创新，人类 躺 平 收 钱 。 → 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 境。这使得它们能够产生更准确、 更连贯的回答 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 加丰富、多样的娱乐体验。 例如，通过 大模型的语音识别功能，人们可以通过 语音指令控制游戏，实现更加智能化的 游戏体验 提高学习效率 大模型在教育领域的应用，可以帮助人 们更高效地学习新知识。例如，通过大 模型的智能推荐功能，人们可以根据自 己的兴趣和需求，获取更加个性化的学 习资源 改善生活质量 大模型在智能家居、智能客服等领域的 应用，使得人们的生活更加便利、舒适。

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 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 ) 。 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 (

AI+医疗如何落地防疫诊疗全流程 ——盘点五大智慧医疗典型案例 案例概览 案例 1 | 基于知识图谱的新冠肺炎防护问答助手，离智能更近一步——柯基数据 案例 2 | 不只是疫情咨询，院前预检筛查成智能问答新“战场”——朗通医疗 案例 3 | 互联网医疗作为“第二战场“，在疫情防控中发挥重要作用——左手医生 案例 4 | 高敏快速检出病灶，CT+AI 助力医院实现“应收尽收”——体素科技 此次疫情中智慧医疗在多环 节部署的牵引力就是突然催生的需求和应用场景。纵观本次疫情中的智慧医疗 应用，大致可分为智能问答、线上问诊以及 AI 辅助诊疗。 在诊前环节，虚拟助手依靠自然语言处理和知识图谱等 AI 技术提供智能问答服 务，承担减轻恐慌、分流普通患者的任务；同时，线上问诊作为线下诊疗的补 充，在患者就诊前通过人机交互技术快速收集患者病情信息，进行患者筛查， 减轻医院和医生负担，实现智能分诊与导诊。 培养，可以预见不 管是慢性病的长期诊疗和管理，还是心肺疾病等重要疾病的长期愈后服务，都 会借助互联网医院和智能化的手段得以加快发展。 案例 1 | 基于知识图谱的新冠肺炎防护问答助手，离智能更近一步 疫情爆发初期，大量患者对病情知识匮乏，出于对自身症状的恐慌到医院就医， 人群聚集引起交叉感染风险。因此，短时间内正确地将大量疫情信息及预防措 施以简单易懂的方式向民众科普，正确引导患者就医，消除恐慌心理，是当务

以数字化模型的方式，将资源数据与业务数据结合在一起，沉 淀到医院“智慧大脑”中，形成场景化的操作系统设计。 学习与思维 将感知到的数据转化成有 意义的信息和知识。 临床数据模型 • • • • • • • 诊断知识图谱 治疗知识图谱 药品知识图谱 护理知识图谱 检查知识图谱 检验知识图谱 …… 知识图谱 学习与思维 感知与记忆 CDSS 管理数据模型 管理指标体系与规则库 医疗质量监管平台 护理质量监管平台 决策与应变 172 196 业务流程条目数： 2736 中台技术 业务中台 语音训练 模型训练 数据标注 NL 知识图谱 AI 中台 数 智 中 台 数据采 据存储 数据中台 技术中台 中台技术 AI 中台 HOS 标准内嵌 诊断 术语 临床 路径 技术 HOS 标 知识 图谱 互联 互通 数据 上报 业务 接口 流程完整表达        … 医疗护理 人力资源

可以推动中医知识库的研究, 推进中医经验传承。 我 国一直致力于中医知识库的研究, 上世纪 80 年代就 开发了中医专家系统, 但是由于系统分析结果与专家 实际诊疗结果不一致等弊端, 导致中医专家系统未推 广应用。 知识库是数据库与人工智能两项计算机技术 的有机结合, 既能实现对大数据的高效管理, 又可以 利用人工智能技术对知识进行演绎推理 [5]。 目前尚无 大型综合、 适用性强的中医知识库, ChatGPT 第 4 期 李启渊, 张 静, 徐权光, 等: ChatGPT 在中医医院智慧化建设中的应用、 挑战及对策 分利用现有规模巨大的海量中医数据, 来训练神经网 络模型, 进而构建中医知识库 [6], 实现中医知识的有 序组 织 和 交 互 共 享, 促 进 潜 在 知 识 挖 掘。 其 次, ChatGPT 可以促进中医文化的创新发展。 中医自古以 来存在着经方学派、 伤寒学派、 温补学派等多种学派 学派是系统的理论体系, 流派是独特的理 论、 方法或技艺, 中医学流派的发展规律有两种形 式: 一种是中医学流派的内部分化, 另一种发展形式 便是中医学流派的外部对立, ChatGPT 可通过知识库 学习各流派的理论思想, 挖掘隐性知识, 结合其自身 生成式人工智能的特点, 或将创造出新的理论观点, 促进中医文化的创新发展。 1. 2 辅助青年中医提高诊疗质量 中医医师的能力提升需要经验积累, 而青年中医

院外管理等七个具体场景。 2 图 1. 智慧中医全场景地图 （资料来源：公开资料整理） 中医药传承场景指的是将中医古籍、临床医案进行结构化处理，通过知识 图谱等技术进行挖掘，实现对既往患者救治经验的提取。 中医诊断场景指的是将中医诊断依靠的望闻问切、经络诊断、体质辨识等诊 断手段数字化，借助智能终端和 AI 辅助做出更精准全面的诊断。 中医非药物治疗场景是指借助机器人、AI 2. 中国智慧中医产业发展历程 中国在中医智能辨证诊断方面的研究至今已有四十余年的研究历程，随着技 术的更迭，主要分为三个阶段：第一个阶段为上个世纪 70 年代末至 80 年代的 基于经验知识推理阶段，研究主要集中在中医领域专家系统的研制；第二个阶段 为 90 年代至 21 世纪初的传统机器学习阶段，研究者们主要尝试单一或多种机 器学习算法进行中医智能辨证诊断研究；第三个阶段为 21 大数据与深度学习探索阶段，随着大数据技术的成熟、计算机算力的提高和深度 学习等算法的发展，尤其是 2016 年深度学习相关技术崛起后，中医智能辨证诊 断研究又进入了新一轮的中医智能诊断研究高峰。 （1）基于知识与经验推理的阶段 早在 20 世纪 70 年代，一批国内研究人员就在尝试把智能技术应用于中医 辨证诊断领域，以期提高中医临床诊疗水平。如湖南中医药大学朱文锋团队与湖 南省计算所合作，于 1979

患者服务能力 提高服务水平，提高满意度； 细分市场，准确预测需求； 优化资源配置，提高竞争力。 人才竞争压力 实施有效的绩效考核、人才培养与激励政策； 强化技能培训、临床科研、知识积累与知识共享。 精细化管理压力 取消药品、耗材加成，医院须改变粗放经营方式； 提高服务效率，降低成本，控制医疗差错。 渠道路更宽广 线下线下； 院内院外； 行业内行业外。 技术更强大 规划设计 开发、部署、运维体系 支付 财务与业务 数据中心 界面风格与交互 临床与科研 组件应用 知识 线上线下 一体化 二、以“一体化”思想指导全院新一轮的信息化建设 业务流程 医 师 查 看 报 告 报 告 发 布 危 急 值 发 布 报 告 审 核 标 提 复 执 停 存 交 核 行 止 二、 ( 四 )“ 一体化” ：一体化的组件应用生态体系 功能 插件 上传 知识 插件 上传 插件管理容器（系统预置） HIS 集成服务 （ RESTful Service ） 医疗事件扩展点 （ HL7 标准消息） 医嘱保存 医嘱提交 医嘱复核 …… CCOW

病人院前电子 病历 ，对患者病情做深入评估。 02 急诊系统 Emergency System 急诊 护士站 急诊留 观系统 预 检管理 急诊 医生站 预检分诊 专业预检分级知识库 ，后续进行自动分级； 120 病人同步至预检分诊 ，病人未到 ，数据先行； 与院前急救、 院内 HIS 互通 ，打通绿色通道 ， 实现“先救治 ，后付费”； 危重评分 ，创伤评分； 收入统计； 日常运营统计报表。 四、效果 早、快、准 n 更快更优行驶路径 ， 更早到 达现场 ，更快到达医院； n 提前预检分级评估 ， 简化到 院的分诊工作 ， 自带预检分 级知识库 ，提高分级准确率； n 提前准确掌握院外信息 ， 患 者未到信息先到 ， 更早更快 的接诊准备工作； n 事件全过程记录 ， 事后分析 更精准。 互联互通 n 12 0 接 诊 系 统 更便捷 n 根据预检分级知识库自 动分级； n “ 绿色通道 ” 功能 ， 就诊 更方便； n 支持群体事件快速登记； n “ 随心复 ” ， 便捷引用病 历内容。 更丰富 n 临床与管理结合 ， 软件 与硬件结合； n 丰富的医嘱套餐和医疗 文书； n 强大的统计分析功能 ， 展现形式多样化 ， 满足 不同应用场景。 更智慧 n 国际预检分级知识库； n 根 据 诊

面向智慧医疗—人工智能辅助诊疗 电子病历 患者主诉 / 疾病 史 / 检验检查 …… 可能的 疾病建 议及置 信度 深度学习 决策器 海量医学资源 医学知识 证据读 取器 证据 海量医 学资源 疾病资源 疾病读 取器 疾病知识 候选疾病 相似病例推荐 诊疗方案建议 语音识别 语义解析 主诉 问诊 患者症状 检查等信息 通过对患者的病历、检查、检验信息进行分析， 可以将诊断建议、治疗方案建议推送给医生， 参与度 智能预问诊知识库 / 模板 病史报告自动生成 引导患者描述病情，疾病画像 面向智慧医疗— AI 移动医生查房 4 医学知识智能检索，好帮手 3 语音写会诊意见，更方便 1 全语音操作信息查阅，更快捷 2 床旁语音写病历，更及时 在住院病区场景，利用人工智能技术，医生在床旁通过语音导航，随时掌握患者信息；语音录入病历， 提高医生移动端录入积极性；医学知识智能检索，帮助医生快速、准确、规范地完成诊疗工作 • 助力高水平医院建设 智慧医学科研平台 全院级“多模态异构数据治理 + 智能工具应用 + 科研转化体系建设”支撑高水平医院建设目标 多模态异构数据治理 • AI 技术 + 疾病知识图谱融合 • 文本数据 + 影像组学 + 生物信 息等多模态数据治理 AI 技术赋能 • NLP 自然语言处理 • 深度学习 / 机器学习 • 统计分析支持