全部商品分類
２０２５年１月，當ＤｅｅｐＳｅｅｋ橫空出世時，余浩興奮得幾乎忘記了春節長假的快樂，一頭扎進了對這款ＡＩ大模型的研究當中。
作為北京大學首鋼醫院信息中心主任，余浩多年來持續探索醫院信息化升級。在醫療行業加速數字化轉型的當下，他帶領團隊在技術創新的道路上不斷突破，依托強大的信息化建設成果，「信用就醫」模式使北京大學首鋼醫院成為北京首個信用醫療的試點醫院。
在探索ＡＩ技術賦能醫療服務中，北京大學首鋼醫院研發了「ＡＩ醫生助手」，點擊「生成住院病歷小結」模塊，復制病歷內容后，選擇「調用ＡＩ大模型」選項，一份出院小結便自動生成。
這套系統由醫院技術團隊依托ＤｅｅｐＳｅｅｋ開源軟件的功能，借助醫院內搭建的服務器自主完善制作而成，已在智能問答、醫療知識檢索、文書報告錯誤檢測、門診病歷自動生成、疾病診斷編碼及住院病歷小結生成等多個場景應用實踐，目前在修復重建科、全科醫學科、骨腫瘤等多個科室開展使用。在測試中，有一位醫生發出這樣的感嘆：這太有用了，減少病歷書寫的時間，就可以有更多時間跟患者面對面交流。
３月３１日，余浩做客健康界ＡＬＬ ｉｎ ＡＩ Ｈｅａｌｔｈ創新應用大講堂，帶來ＡＩ助手深入診療全鏈條的全景展示，并且就醫院信息中心建設等話題，與主持人展開深入探討。
本文精選部分內容，供廣大同仁交流，歡迎在評論區留言。
ＡＩ重構診療全流程 這六個院內場景見效大
健康界：請您從技術架構和應用成效的角度，介紹一下信息中心的核心建設成果？
余浩：最近幾年，北京大學首鋼醫院對信息化、智慧化的要求越來越高。在技術架構方面，ＤｅｅｐＳｅｅｋ的出現為我們帶來了新的機遇。鑒于醫療數據的高度敏感性，在數據隱私和安全保護上，我們采用了本地化部署的方案。采購了配備兩張４０９０顯卡、顯存４８Ｇ的ＧＰＵ進行本地化部署，這樣能確保數據在院內安全運行，不被泄露。除了ＤｅｅｐＳｅｅｋ，我們還安裝了十幾款其他大模型，像Ｌｌａｍａ、Ｑｗｅｎ等，目的是全面測試ＬＬＭ技術在醫療場景中的適用性和能力邊界。
健康界：北京大學首鋼醫院已率先將人工智能引入醫療診斷，還邁出了創建ＡＩ醫生助手程序的第一步。接下來，請您通過六個典型場景，為我們展示ＡＩ如何重構診療全流程。
余浩：這六個場景都是我們基于實際工作中的痛點和需求探索出來的。
第一個場景是科研數據結構化。
在醫院科研工作中，基于病歷數據做研究是常有的事，但從非結構化的病歷文本中抽取關鍵數據項，比如腫瘤病理分期，以往是個難題。雖然有相關技術，但可及性不好，大多時候還是靠醫生、助手或學生，人工對照病歷提取，效率很低。
現在，我們用ＤｅｅｐＳｅｅｋ的１４Ｂ模型，通過編寫合適的提示詞，就能輕松提取這些數據。我們輸入一段病歷文本，模型很快就能給出「ＰＴ４Ｎ０Ｍ０」這樣的病理分期結果，還能提取腫瘤大小等數據，這大大提高了科研數據處理的效率。
第二個場景是醫療文書糾錯。
比如放射科報告偶爾會出現左右部位寫錯的情況，傳統的基于規則的糾錯工具適應面窄。我們利用大模型的推理能力來解決這個問題。比如模擬一份檢查申請是左腳踝，報告卻是右腳踝的情況，讓大模型檢查，１４Ｂ及以上的模型能準確發現「部位不一致錯誤」，這為醫療文書質量提供了有力保障。
第三個場景是門診病歷生成。
大醫院門診患者多，醫生留給每個患者的時間有限，既要問診又要記錄、開單子，很難完整書寫病歷。我們模擬醫生與患者對話后的文本，讓大模型生成病歷。像一段表述混亂的患者病情描述，大模型能按照門診病歷的結構，生成主訴、現病史、既往史等內容，還能規范血壓的表述并加上單位，不過最終還是要醫生確認保存，ＡＩ起到輔助完善病歷的作用。
第四個場景是疾病診斷編碼。
我們把不帶診斷的病例描述輸入大模型，讓它給出ＩＣＤ９或ＩＣＤ１０編碼。雖然目前給出的答案還不完美，但已經具備了一定的能力，能為編碼員的工作提供支持。后續通過優化問題表述、添加背景知識等方式，有望進一步提高編碼的準確性。
第五個場景是生成住院病歷小結。
寫一份符合質量要求的住院病歷小結，醫生通常需要花費十分鐘左右。而用大模型，輸入長篇病歷表述，十幾秒就能生成一份像模像樣的出院小結，包含治療經過、出院醫囑等內容，提高了病歷整理的效率。
第六個場景是驅動ＬＬＭ主動詢問問題。
一般都是用戶提出問題，ＬＬＭ來回答，現在是反過來，ＬＬＭ問問題，用戶來回答。我們實踐發現很多ＬＬＭ具備多輪交互問答的能力，ＬＬＭ的這種能力可以在預問診、流行病調查等需要提前采集病史的場景下使用，還可以對用戶給出的答案進行合理性校驗。
掃碼▽ 即可獲取完整回放和思維導圖
算力是制約ＡＩ應用的關鍵因素 如何破解基層ＡＩ醫療發展難題？
主持人：ＡＩ技術在推動優質醫療資源下沉時，如何解決基層醫療機構算力不足的問題？
余浩：目前，北京大學首鋼醫院所輻射的４個社區在診療中還沒有正式開始使用ＡＩ技術，但在實踐過程中，我們已經深刻體會到算力是制約ＡＩ應用的關鍵因素。就拿我們自己來說，剛開始準備實踐ＡＩ項目時，發現既沒有足夠的算力，也缺乏相關工程師，基本硬件條件都不具備，所以只能緊急采購算力。
對于基層醫療機構，算力未來應該作為一種基礎服務來建設。在緊密型醫聯體模式下，我們可以構建公用算力平臺，實現資源的集約化使用。這樣，各個基層醫療機構無需單獨采購昂貴的算力設備，避免資源浪費，還能降低成本。
ＡＩ技術非常適合基層醫療場景，它能讓基層醫生和醫護人員便捷地獲得大模型技術的支持，提升基層醫療服務水平，實現科技平權。未來，我們計劃在社區推廣ＡＩ應用時，統一提供算力服務，讓優質醫療資源借助ＡＩ技術更好地下沉到基層。
私有云部署是否可取？ 患者隱私保護和數據安全不可少
主持人：ＡＩ融入診療全鏈條之后，如何保護患者隱私和數據安全？
余浩：醫療數據安全至關重要，是信息化建設和網絡安全工作的首要難題。
從技術選擇上，我更傾向于本地化部署。云部署雖然方便，但存在數據隱私風險，即使做了脫敏處理，把數據上傳到第三方云平臺還是有潛在隱患。
不過，也不能因為安全問題就放棄新技術的嘗試。現在不少同行都在探索ＤｅｅｐＳｅｅｋ的本地化私有化部署，還有采用私有云部署的方式，這些都是在保障患者隱私的前提下，積極推動ＡＩ技術在醫療領域應用的探索。
同時，我們也要認識到，大模型在處理醫療場景問題時，能力還需要逐步提升。目前，我們不敢完全依賴大模型做出醫療決策，只能把它作為參考。在實際應用中，要由淺入深地推進ＡＩ技術，先從文字書寫效率提升等低風險場景入手，逐漸積累經驗，確保醫療安全。
主持人：ＡＩ醫療還有哪些進步的空間？
余浩：Ｄｅｅｐｓｅｅｋ在醫療領域的潛力巨大，遠不止我們目前探索的這些場景。從醫療服務流程來看，未來ＡＩ有望實現全流程的智能化。比如在患者就醫前，通過智能問診系統初步了解患者病情，為患者提供就診建議和預約服務；就醫過程中，ＡＩ輔助醫生進行更精準的診斷和治療方案制定；就醫后，利用ＡＩ進行患者康復跟蹤和健康管理。
在醫療研究方面，ＡＩ可以幫助我們挖掘海量醫療數據中的潛在規律，加速新藥研發進程，探索疾病的發病機制。隨著技術的發展，ＡＩ模型的性能會不斷提升，對復雜疾病的診斷和治療支持也會更加精準。
我相信再過幾年，ＡＩ技術在醫療領域會成為醫療工作中不可或缺的一部分，真正實現醫療服務的智能化變革。
注：文章來源于網絡，如有侵權，請聯系刪除
