类 行为 ?", 规避了关于“意识”的争议。 2. 提出“智能”的行为主义定义，即通过外在表现而非内在机制判 断 智能。 2. 技术目标： 1. 为早期人工智能研究提供了明确方向，例如自然语言处理和对话 系统的开发。 2. 启发了后来的聊天机器人 ( 如 ELIZA,ChatGPT) 和语言模型的 发 展。 一、人工智能发展简史了解 CDC 疾控 人 1.2 人工智能的诞生 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 用于多种任务，无需重新训练 二、大模型：人工智能的前沿 语言生成能力 大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 2.2 大模型的发展历程 萌芽期：模型小 ( 参数 <1 亿 ) 、任务单一、依赖人工设计规则。 突破期：标志事件是 2017 生成文章、画画、写代码 ) 。 二、大模型：人工智能的前沿 语言大模型 是指在自然语言处理 (Natural Language Processing,NLP) 领域中的一类大模型，通常 用于处理文本数据和理解自然语言。这类大模型 的主要特点是它们在大规模语料库上进行了训练， 以学习自然语言的各种语法、语义和语境规则。 代表性产品包括 GPT 系列 (OpenAl)

...........................................................................................73 5.1 自然语言处理（NLP）.......................................................................................... 近年来，随着人工智能技术在医疗领域的深入应用，AI 辅助病 历书写系统已成为提升临床工作效率、减轻医生文书负担的重要工 具。传统病历书写过程存在耗时耗力、标准化程度低、易出现遗漏 或错误等问题，而基于自然语言处理（NLP）和知识图谱技术的解 决方案能够有效改善这一现状。据统计，三甲医院住院医师平均每 天需花费 2-3 小时完成病历书写，其中约 30%的时间用于重复性内 容填写和格式调整。AI 辅助系统的引入可将结构化数据自动转化率  标准化程度不足：不同医疗机构间病历模板差异率达 43%， 影响数据互通  质控滞后性明显：现有系统仅能实现事后审核，无法实时纠错 在此背景下，AI 辅助病历书写系统应运而生。该系统通过自然 语言处理技术，可自动识别医患对话关键信息，生成符合《电子病 历系统应用水平分级评价标准》的结构化病历。某三甲医院试点数 据显示，应用 AI 辅助系统后，病历书写时间缩短 40%，首次提交 合格率从

确 性，推动医疗服务质量的提升，保障患者的治疗安全。 1.3 AI 技术的发展及应用前景 近年来，人工智能（AI）技术在医疗行业的迅猛发展，标志着 医学服务模式的重大变革。AI 技术特别是在自然语言处理 （NLP）、图像识别、数据挖掘和机器学习等方面的飞速进步，为 医疗数据的处理和分析提供了强有力的工具。在中医院门诊病历自 动生成的应用中，AI 能够通过对症状、病历记录及临床数据的深度 大潜力。特别是在中医领域，很多实用的经验和知识系统化程度不 高，AI 可以帮助整合这些信息，使得门诊病历的生成过程更加科学 和系统。 AI 技术的应用前景广泛，尤其是在以下几个方面：  智能问诊：通过构建智能问诊系统，利用自然语言处理技术， 患者可以直接通过对话界面描述症状，系统则能根据已有病历 和知识库自动生成初步诊断，并指导患者选择合适的就医路 径。  病历文书智能生成：基于患者的信息及病历资料，AI 可以自 数 据训练和深度学习算法，能够在各种复杂任务中展现出强大的理解 和生成能力。其核心在于通过深度神经网络架构，尤其是 Transformer 模型，处理和分析文本、图像和音频信息。这些模型 在自然语言处理、计算机视觉以及其他领域中已经展现出超越传统 方法的性能。 以 OpenAI 的 GPT-3 和 Google 的 BERT 为代表，这些模型具 有多层次的自注意力机制，使得它们能够理解语境、生成连贯的文

随着2006年DeepLearning算法的提出，人工智能(AI)的发展进 入了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提 取能力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突 破性的进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正 在深刻地改变这个领域的研究和发展流程。无论是在早期的药物筛 选、药物优化，还是在药物的临床试验和后期的上市监控，AI的应用 本数据进行自监督预训练，这些文本数据虽然没有标签，但是数据量远远多于有 标签的数据。相应的，模型也可以进行大规模的设计以适应海量的数据。这便是 AI大模型的由来。经过了自监督训练任务，AI模型方法仿佛理解了自然语言的语 法，从而为自然语言处理带来了质的飞跃。 而在药物筛选领域，如果我们依照类似的方式，让AI模型去充分利用海量的 蛋白、分子数据去进行自监督训练，是否也有可能学习到分子世界中的"语法"规 则? 这种方 Uni-Mol: 通用分子3D表征模型 在药物设计等领域，分子自身性质的表征对先导化合物筛选而言至关重要， 在给定的药物靶点先验下，如果能够将分子进行完美的潜空间嵌入，那么能够成 药的分子和不能成药的分子将会自然的在潜空间分隔开，从而便可以非常直观的 进行药物的筛选。 目前已经存在许多学习分子表征的AI方法，这些分子表征学习方法通常将分 子视为一维的字符串或二维的图进行预训练。然而，分子的三维结构对其性质和

用 场 景 公 司 AI+诊断 AI+制药 医院数据实时处理、临床辅助决策、 临床辅助治疗、临床预警、患者画像 等 靶点确定、先导化合物发现等 计算机视觉、深度学习、大模型 语音识别+自然语言处理、深度学习、 大模型 深度学习、大模型 CT、MR影片诊断等 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 3 电子 3 月 20 日，微软旗下语音识别公司 辅助诊断领域耕耘已久，其推出的全科医生助理通过和医疗机 构信息系统进行对接，完成对医疗患者诊疗信息收集、清洗和预处理，在此基础上生成临 床诊断与治疗推荐建议，为医生的临床决策过程提供智能辅助支持。云知声应用智能语音 识别、自然语言理解、临床知识图谱等人工智能技术，为医疗行业的各参与方提供丰富的 产品和解决方案。覆盖医政医管、临床诊疗、医保管理、患者服务多个业务领域。讯飞和 云知声均计划在年内推出预训练大模型，赋能医疗、人机交互等领域。 和加州大学研究团队发布的蛋白质语言模型 ProGen，在数百万个原始蛋白质序列上训练，可生成跨多个家族和功能的人造蛋白质。不 同于 AlphaFold2 利用 AI 的手段辅助理解自然界已有的蛋白结构，以 ProGen 为例的类 ChatGPT 生成式 AI 的目标是生成自然界不存在的人工蛋白质序列。虽然生成式 AI 在制药 领域的应用仍处于起步阶段，但天壤 XLab 负责人苗洪江博士认为，从 AlphaGo、 AlphaFold2

以深度学习技术为代表的新一轮智能技术浪潮随之而来。2016 年，谷歌公司的 深度学习技术产品阿尔法狗的诞生，拉开了新一轮人工智能技术的序幕。在这一 轮人工智能热潮中，通过深度学习、强化学习、迁移学习等技术手段，极大地推 动了自然语言处理、知识图谱、大数据挖掘、图像识别等相关领域的应用与发展。 这些新技术还在辅助诊断、新药发现等领域发展发挥了重要作用。 在中医药领域，深度学习、迁移学习技术已经广泛应用于中医舌诊、面诊的 学习结 合运用在续贯诊疗方案优化中，并在冠心病和糖尿病的数据测试中得到了优于传 统深度学习的效果。而以卷积神经网络、循环神经网络等为基础的各类学习技术 在其它领域已经展示了其强大的能力。通过将自然语言处理、知识图谱中的一些 技术手段结合各类新型算法，来自动化构建知识模型以及进行自动化的知识发现 也是当前的热点，这些技术的研究与发展也必将能帮助解决中医智能辨证中面临 的一些重大问题。 面的望诊，并逐步发展出手诊、目诊、甲诊等适用于人体不同部位的图像诊断方 法，均可基于中医全息分区诊断等理论，通过识别特定全息分区下的疾病特征来 为疾病诊断提供参考，并均有应用产品。  自然语言处理应用于中医问诊和病案文本处理 深度学习中自然语言处理（NLP）技术也得到了快速发展，但存在如中文分 词、语义消歧和语境分析等诸多技术难点，需要大量的语料库、知识库和大规模 的医学术语系统作为基础支撑。所以，在技术成熟度方面总体不如影像诊断。

随着2006年DeepLearning算法的提出，人工智能(AI)的发展进入 了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提取能 力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突破性的 进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正在深刻地 改变这个领域的研究和发展流程。无论是在早期的药物筛选、药物优 化，还是在药物的临床试验和后期的上市监控，AI的应用都愈发广泛。 的预测准确率数 据。因此，很多科研人员相比于相信大语言模型挖掘出的新颖靶点，更相信自己 亲手一步步挖掘得到的靶点，即便亲手挖掘需要远超大语言模型的时间成本和金 钱成本。 此外，医药研发并非像常规的自然语言处理一样，能简单快捷的验证模型答 案的准确性。医药研发涉及到人类健康和生命，所以在应用这些模型时需要特别 谨慎。目前任何新的靶标发现都需要经过严格的实验验证，以确保其科学性和有 效性。在大语言 人工智能领域引起了巨大的轰动。 AlphaFold2的工作原理 AlphaFold2的工作原理基于深度学习，它使用了一种名为Evoformer的 Transformer模型变种。Transformer模型最初是为解决自然语言处理问题而设 计的，但DeepMind的科学家们发现，它也非常适合描述蛋白质序列。在 AlphaFold2中，每个氨基酸被视为一个单词，一串氨基酸序列就构成了一句 “话”。通过Transform

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 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 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-

临床应用 诊断模型、风险评估模型、 用药评估模型、疗效评估 模型、患者画像、诊疗决 策路径等与医生工作站对 接，辅 助 临床医师工作。 医疗 AI 引擎 基于患者画象、自然语言处 理、诊疗决策路径、知识图 谱、机器学习等 AI 技术，形 成训练模型，形成应对不同 应用方向的 AI 决策支撑能力。 临床科研 整合传统统计方法、深度 不会显得过于沉重。 简化操作行为，使其更适合操作 人员的认知和行为习惯，从而减 少操作失误发生的可能性，提高 医务人员效率。 自然人机交互、体感交互、语音 交互等，用户交互变得更加自然， 直观和轻松。 创建更炫的视觉语言，让产品在 视觉上更能吸引用户是非常重要 的。 微小的动画在唤起情感和与用户 联系方面非常强大，使用户体验 向转诊、院后追踪随访”为整体工作思路，打造信息化、科学化、流程化的全病程服务管理云平台，为病友提供连续性、整合性照护， 实现由片段式、分散式的病患管理到全程全人闭环管理的转变。 病历文书标注 无标注学习 自然语言 处理 应用 集成 路径 提醒 临床辅 助 决策技术架构 患者教育数 据库 辅 助 医患沟 通 据 数据 预处理 深度 学习 算法 疾病 推荐 模型 循证医学知识库

如 Stable Diffusion、 GPT-4、Med-PaLM 等大模型，国内如文心系列大模型、华为盘古大模型、星火认知大 模型、MOSS 大模型等。从研究方向上来看，大模型研究主要集中在自然语言处理 （Natural Language Processing，NLP）、计算机视觉（Computer Vision，CV）、多模 态三大领域。从内容形式上来看，如 DALLE-2 模型可以将文本转为图像；Dreamfusion 体场景的应用，具体架 构见图 1 所示。 图 1 人工智能大模型在医疗领域应用的构想架构 3.3 人工智能大模型在智慧医疗全周期的应用 3.3.1 就诊前的应用 大模型不仅可以生成高质量的自然语言文本，还具备强大的问答能力。可以使用 大模型搭建问答系统，回答患者关于挂号问诊、基础医疗知识、健康宣教等方面的问 题，有助于减轻医务人员的负担，提高患者就诊效率。2022 年，Ayers JW 2022 年，英伟达和 谷歌也分别推出了基于文本描述自动生成 3D 模型的全新的 AI 工具[26]。 医疗元宇宙的“魂”则主要依托大模型强大的自然语言处理能力，可以对多模态 数据进行分析、理解和推断，继而赋予“形”以“灵魂”。比如，可以通过自然语言 处理能力对医疗知识库进行学习，通过多模态能力赋予虚拟数字人相应的语言、情感 和专业知识回答能力。 bmr.202312.00027V2