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 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， 病的复诊，但是疫情过后，随着政策支持与用户使用习惯的培养，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

微调（Fine-tuning） 以适配不同领域任务需要[2]。在医疗领域，医疗数据本身就具有多模态的特性，大模型 将进一步推进智慧医疗、医疗元宇宙和医疗研究的发展进程。比如电子病历理解、医 疗问答、医学教育培训、医学影像生成、疾病辅助诊断、药物研发以及虚拟医院和医 疗虚拟数字人交互等诸多应用[3]，涵盖医疗领域就诊前、就诊中、就诊后各环节。本文 梳理了当前大模型在医疗领域的应用现状，分析其面临的风险与挑战并进行展望，旨 智能医学的进一步发展[13]。而医疗大模型的出现将进一步加快其发展进程，目前医疗 大模型覆盖医学知识问答、生物及药物研发到智慧诊疗的各阶段、医保知识管理等领 域。根据面向对象的不同可分为患者、医护、高校、医疗机构及企业角色等；根据临 床场景数据交互类型的不同，又可分为文本任务、视觉任务、语音任务、跨模态任务 等。具体来讲，如就诊前的挂号问诊、健康宣教、知识问答等，就诊中的辅助诊断、 电子病例生成与理解、手术模拟等，就诊后的健康管理、医药服务、慢病管理等，医 5 百度 生物研究 分子结构 BioMedLM 2022.12 斯坦福基础模型研究中心 医疗问答 文本 GatorTron 2023.3 佛罗里达大学 医学问答、病例 识别 文本 Deepwise MetAI 2023.4 深睿医疗 医学影像 图像 通义千问 2023.4 阿里巴巴 医疗问答、医疗 知识图谱、报告 生成、辅助诊断 文本 天河医疗大模型 2023.5 国家超算天津中心

” 。这个问题激发了人们无尽的想象，同时也奠定了人工智 能 的基本概念和雏形。 图灵测试的核心理念是：如果一台机器的表现与人类无法区分，那么就可以认为它具有智能。 具体来说，测试通过模拟一个“问答游戏”展开： 1. 参与者：一个人类询问者 ( 通过文字交流 ) 、 一台机器和一个人类 ( 两者隐藏身份 ) 。 2. 规则：询问者通过文本与机器和人类自由对话，持续一定时间后，若询问者无法区分哪一方是 、生物信息学、自动驾驶、气候研究等多个领域 (1) 自然语言处理 大模型在自然语言处理领域具有重要的应用，可以用于文本生成 ( 如文章、小说、新闻等的创作 ) 、翻译系统 ( 能够实 现 高质量的跨语言翻译 ) 、问答系统 ( 能够回答用户提出的问题 ) 、情感分析 ( 用于判断文本中的情感倾向 ) 、语言生 成 ( 如聊天机器人 ) 等 (2) 计算机视觉 大模型在计算机视觉领域也有广泛应用，可以用于图像分类 。例如，疾控领域中的个案流调、风险评估 三、垂域模型与智能体 · 舆情监测预警智能体 · 疫情预测与传播模拟智能体 · 防控建议推荐智能体 · 流调智能体 · 密接管理智能体 ·X 疾病探测智能体 · 疾控知识问答智能体 · 基于智能语音和聊天机器人的公 众服务智能体 3.2 智能体 智 能 体 智能体 (Agent) 是指能够感知环境并通过行动影响环境的实体，可以是软件程序 ( 如聊天机器人 ) 或

）进行预训练，使得模型能够学习到上下 文 关系和词汇语义  通常用于文本分类、序列标注、问答等任务  GPT ： Generative Pre-trained Transformer  单向模型，只考虑前文，不考虑后文  采用自回归（ autoregressive ）的方式生成文本，即逐个生成下一个词  通常用于生成文本、对话、问答等任务 CHIMA 20Pag2 Tsinghua Confidential 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 任务（大规模分类任务，目标是预测第二个句子相 对于 第一个句子是包含，矛盾还是中立） CHIMA 20Pag2 Tsinghua Confidential 的医学领域知识和逻 辑 推理的优势与现有医学图像 CAD 模型的视觉 理解 能力相结合，为患者提供了一个更加用户友 好和易 于理解的系统。 ChatCAD 技术流程图 CAD 与 ChatGPT 结合后的交互式问答系统示 例 CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn ChatGPT 应用于医学图像辅助诊 断 ③ 精 准 可

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 千万轮 真实医 院问诊 数据 真实医 院导诊 数据 药物不 良反应 医学教材 药品使 用说明 新冠、甲 流等时效 数据库 检查 数据库 基于海量医药护体检等相关健康

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 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

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 真实医 院问诊 数据 真实医 院导诊 数据 药物不 良反应 医学教材 药品使 用说明 新冠、甲 流等时效 数据库 检查 数据库 基于海量医药护体检等相关健康

ProteinGPT 模型架构 资料来源：晶泰科技公众号，华泰研究 英矽智能宣布在其靶点发现平台 PandaOmics 上整合了 AI 问答功能“ChatPandaGPT ”， 支持研究人员在浏览和分析大型数据集的同时，高效开展基于自然语言的问答，促进更便 捷发现潜在靶点和生物标志物。 图表9： 英矽智能 ChatPandaGPT 资料来源：英矽智能，华泰研究 AI+医疗影像：应用相对成熟，关注

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 院导诊 数据 药物不 良反应 医学教材 药品使 用说明 新冠、甲 流等时效 数据库 检查 数据库 基于海量医药护体检等相关健康

略，指出全国排名前十的医院和地方三甲医院的投入可能有所不同，但普遍认为AI相关资本支 出（capex）在几百万到上千万之间。会议最后鼓励投资者和专家团队保持沟通，继续关注AI在医疗领 域的应用和发展。 问答回顾 发言人 问：智能排程手游中提到的AI技术是否已应用于医院手术排程中？ 发言人 答：目前还没有用到AI，而是基于一套数学模型来预测手术时间并优化手术间和医护人员的衔 接，以提高手术室效率和医院收入。虽然有文章提到Deep