会议主题：AI与中医诊疗系统架构及落地实践分享
发言人：魏家村夫、大石头、明飞、Jinn Geng、悟空等12人
会议摘要：本次会议魏家村夫分享了基于大模型与知识图谱的中医诊疗系统架构，演示了从问诊到开方的闭环流程，并探讨了AI在医疗场景下的应用边界与伦理问题。
一、系统架构与技术实现方案
针对中医诊疗的严谨性要求，魏家村夫提出了“大模型+知识图谱”的双重架构，以解决幻觉问题并提升辅助诊断的准确性。
- 核心架构与数据治理
双重架构设计：系统采用大语言模型（LLM）作为推理引擎，结合中医知识图谱（KG）作为事实依据，通过 RAG（检索增强生成）技术嵌入知识库，有效过滤大模型的幻觉。
数据预处理与清洗：利用大模型对海量中医文本（含数千本古籍）进行实体识别与关系抽取，构建知识图谱，并针对数据污染进行人工校验与修正。
向量检索优化：采用本地向量库（基于 BERT 变体）进行相似度检索，结合 ES 检索策略，确保召回内容的准确性与相关性。 - 业务闭环与交互设计
问诊辅助：基于主诉与人口学信息，自动推荐可能的诱因、症状及既往史，辅助医生快速录入病历。
智能辩证与开方：调用大模型进行疾病辩证（如风寒束肺），自动推荐方剂（如三拗汤合止嗽散），并提供加减化裁建议。
学习与回顾：系统提供思维导图与名家医案推荐，帮助规培医生学习诊断思路与治疗原则。
二、临床落地与效能评估
会议通过实际演示与案例讨论，验证了系统在临床场景下的实用价值。 - 演示案例：风寒束肺证
流程还原：针对“咳嗽三天”的主诉，系统自动生成现病史（起病急、恶寒发热），并通过知识图谱检索，诊断为风寒束肺证。
处方生成：系统推荐疏风散寒、宣肺止咳的治疗原则，并自动生成包含干姜、紫苏叶等药物的处方。 - 性能与成本考量
Token 消耗控制：单次辅助诊断与开方的 Token 消耗控制在 10k 以内，以降低商用成本。
响应速度优化：通过本地部署与模型量化（如 32B 模型），减少对公网 API 的依赖，提升响应速度。
三、行业痛点与解决方案探讨
针对医疗 AI 应用中存在的“慢、贵、不准”等问题，与会者进行了深入探讨。 - 模型选择与部署策略
模型选型权衡：魏家村夫指出，自研行业大模型意义不大，建议采用通用大模型（如 DeepSeek、千问）配合专业知识库，实现成本与效果的平衡。
部署模式：推荐 B/S 架构（网页版/小程序），便于诊所与医院接入，同时支持内网部署以保障数据安全。 - 应用边界与伦理风险
辅助而非替代：AI 无法替代医生的经验与直觉，尤其在涉及患者情绪、社会因素等复杂判断时，必须由医生最终决策。
数据隐私保护：系统在处理患者信息时进行匿名化处理，模型后端不记录具体个人信息，遵循医疗伦理规范。
四、QA 问答环节 - 关于系统准确率与临床评价
【提问人】悟空：该系统的临床评价如何？在实际应用中是否遇到响应慢的问题？
【回答人】魏家村夫：临床评价较好，但确实存在响应慢的问题。目前通过优化模型大小（32B）和本地部署来改善，目标是超越 80% 的普通医生水平。 - 关于数据来源与处理
【提问人】Jinn Geng：系统的数据来源是什么？是直接从医院病例库获取还是其他渠道？
【回答人】魏家村夫：数据主要来源于公开的医学书籍和网络文本，通过大模型进行清洗和结构化处理。对于特定设备数据，建议通过外包或购买服务解决。 - 关于中西医结合的应用
【提问人】悟空：系统是否涉及西医检验检查的智能推荐？
【回答人】魏家村夫：系统支持检验检查结果的解读，并能根据诊断推荐相关检查项目，但核心逻辑仍基于中医理论体系。 - 关于 AI 诊断的局限性
【提问人】明飞：中医号脉能否通过 AI 准确判断性别或肿瘤？
【回答人】魏家村夫：AI 无法通过号脉判断性别。对于肿瘤，只能通过脉象异常提示体内有异物，但无法精确定位，需结合影像学检查。