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 人工智能的诞生可以追溯到 20 世纪 50 年代 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 可以更准确地解决难题，具有更广泛的常识和解决问题的能力。 2023 年 12 月，谷歌发布大模型 Gemini, 它可以同时识别文本、图像、音频、视频和代码五种类型信息，还可以 理解 并生成主流编程语言 ( 如 Python 、 Java 、 C++) 的高质量代码，并拥有全面的安全性评估。 2024 年 12 月， DeepSeek 迅速崛起，震撼全球，使得人工智能进入“普惠”时代

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 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于 预 训 练  两类典型的大语言模型  BERT ： Bidirectional Encoder Representations from Transformers  双向模型，同时考虑前文和后文  采用掩码语言模型（ masked language model ）和下一句 预测任务 （ next sentence lvhairong@tsinghua.edu.cn BERT 训 练 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 BERT 主要采用掩码语言模型（ masked language model ，对应图 Mask LM ）和下一句预测任务（ next sentence 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

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 / 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 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。

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 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

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 • 工具、算法开放探索 CHIMA 提出科学问题 制定研究方案 收集数据 医生作 其他工 或科临 项设 设是假 CHIMA 医疗语言大模型——“大医” CHIMA 大医 医疗语言大模型 • 超大语言模型 • 海量医学专业训练数据 • 基于强化学习 ，可依据 人 类反馈持续优化 疾病库 医学习题 检验 数据库 医学指南 药品库 “ 大医”——基于医疗语言大模型的自动问答服务 CHIMA 体检 数据库 真实问答

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 • 工具、算法开放探索 xxx 提出科学问题 制定研究方案 收集数据 科研工作 者 医生作 其他工 或科临 项设 设是假 xxx 医疗语言大模型——“大医” 大医 医疗语言大模型 • 超大语言模型 • 海量医学专业训练数据 • 基于强化学习 ，可依据 人 类反馈持续优化 疾病库 医学习题 检验 数据库 医学指南 药品库 “ 大医”——基于医疗语言大模型的自动问答服务 xxx 体检 数据库 真实问答 千万轮

为整个平台范围内数据自由、可靠、可信的交换提供技术基础和保障。 特征： 4. 标准性：使用 XML 、 JSON 作为标准通信语言，制度规范交换数据模型。 5. 一致性：数据交换双方使用相同的数据内容，保证数据内容一致。 6. 异构性：跨操作系统交换数据，与编程语言无关。 7. 安全性：使用标准安全模型，保障信息安全和隐私信息。 信息平台交换层 医院信息平台门户 医务人员门户 行政管理人员门户 诊断 输入 病例信息 自然语言处理 结构化工具 辅助诊断模型 推荐诊断列表 生成模型 医疗大数据库 误诊误治样例库 鉴别诊断 一诉五史 体格检查 检验结果 检查结果 诊断 诊治情况 鉴别诊 恢复情况 症状 症状性质 症状诱因 症状部位 症状频率 伴随症状 断 持续时间 逻辑分层 特征处理 输入 病例信息 自然语言处理 SPD （ Supply

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 5 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。

辅助诊断与鉴别方案 VTE 预警 高危与死亡风险 病案首页数据智能质控 病历形式质控与逻辑质控 运营分析 场景化数据组织与推送 患者画像与病史智能整理 语音病历 数据组织与智能展示 规则与推理引擎、自然语言处理 面向管理 源头 + 过程 + 分 析 内置医学知识库（循 证） 基于知识图谱构建 机器学习 用户 + 技术的联合建 模 面向科研 数据分析与利用 数据记录与处理 能力 业务场景整合 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 • 工具、算法开放探索 提出科学问题 制定研究方案 收集数据 科研工作 者 医生作 其他工 或科临 项设 设是假 大医 医疗语言大模型 • 超大语言模型 • 海量医学专业训练数据 • 基于强化学习 ，可依据 人 类反馈持续优化 疾病库 医学习题 检验 数据库 医学指南 药品库 “ 大医”——基于医疗语言大模型的自动问答服务 体检 数据库 真实问答 千万轮 真实医 院问诊 数据 真实医

如果说此前智慧医疗的主要推动力是政策，那么，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。 识问答系统的页面及语言 排序，打造面向普通人群和医护专业人群的一站式权威新冠肺炎防护智能知识 助手。 基于知识图谱的智能问答系统相比于基于文本的问答，能够迅速进行语义理解， 更精准地理解用户问题。用户只需要要输入问题，即可收到回答，进行轮对话 交互，并不断自学习迭代。”新冠肺炎防护助手“不仅是 FAQ 问题的罗列，用户 输入任何问题时，智能问答小助手都会依据问题和语言输出相应的精准答案。