余浩：让AI照进医疗现实——场景驱动生成式人工智能

　　始建于1949年10月的北京大学首钢医院，是一所集医疗、教学、科研、预防保健为一体的三级综合医院，坚持“以重点学科带动医院发展，以特色技术带动学科发展”的发展战略，推动医院高质量发展。近年来，医院抓住医疗人工智能这一发展机遇，探索了场景驱动生成式人工智能应用。

　　“生成式AI具有知识、推理、上下文理解、自然语言处理、文本生成等能力，对于医疗应用场景，可进行医学知识问答、控制医疗文书质量、提供诊断建议、辅助基层医生决策，进而提高医疗质量和效率。”北京大学首钢医院信息中心主任余浩在CHIMA 2025大会上演讲时强调，随着政策的扶持和技术的发展，人工智能在医疗行业的应用迎来了爆发阶段

　　2024年11月，国家卫生健康委牵头印发了《卫生健康行业人工智能应用场景参考指引》，列举了几乎整个医疗行业全链路AI应用场景。

　　LLM(大语言模型)自2017年面世以来获得快速发展。2024年底DeepSeek v3/r1的推出，使LLM通过MoE架构、强化学习框架及MLA注意力机制具备了高效、低成本的推理能力。2025年，Qwen3(通义大模型)实现了混合专家模型和稠密模型的混合使用。

　　余浩认为，AI目前对医疗的作用正在从赋能转变为重构，具体体现为以下方面：新增了“通用LLM+特定场景” 应用的路径；解决了高水平LLM的可及性问题；使LLM从高端领域走向大众应用，走向千行百业；拉近了与业务场景的距离；在大方向上要全投入，从具体医疗业务场景AI赋能。

推进场景驱动的医疗应用

　　余浩介绍，首钢医院的AI基础环境搭建主要使用了Ollama和GPUStack两种开源模型部署容器，以及Windows Server和Ubuntu两台GPU服务器。

　　余浩谈到，首钢医院AI基础环境搭建工具开发主要体现在以下方面：面向医疗工作，能够在线获取临床数据；通过LLM容器的API方式来驱动LLM；可配置LLM关键参数，如模型类型、温度、上下文长度等。

　　他介绍，医疗NLP的典型应用场景主要体现在以下六个方面：

　　第一个场景是NLP数据抽取。临床和科研工作中，非结构化病历的结构化处理，以及检查报告中数据项的抽取，过去面临着技术部署复杂、需要大量人工手工处理等挑战，LLM的NLP使之获得改变。LLM的NLP主要具有以下优点： LLM模型具备数据抽取能力；只需通过编写Prompt来驱动LLM完成数据抽取工作；效率提升，实现自动化处理。

　　第二个场景是发现文本错误。医疗行业文本书写错误场景通常体现在以下方面：检查报告的左右部位写反；病人名字、性别写错；申请项目与执行项目不一致。LLM在处理文本错误方面具有以下特点：LLM模型具备推理能力，可能具备发现错误的能力；只需通过编写Prompt来驱动LLM完成错误发现工作；泛化能力强。

　　第三个场景是生成门诊病历。门诊医生写病历面临着普遍质量不高、内容达标率低、容易留下医疗隐患等问题。LLM在生成门诊病历方面具有以下优势：是在具备一定上下文条件下生成的；LLM模型具备推理能力，提取上下文中与门诊病历相关的内容；只需通过编写Prompt来驱动LLM按照门诊病历书写规范改写、生成。

　　第四个场景是生成住院病历小结。住院医生书写一份符合质量要求的住院病历小结，大概需要十分钟作用。LLM生成住院病历小结具备以下特点：按照时间逻辑线组织的病历内容可作为生成小结的上下文；LLM模型具备推理能力，擅长对文字进行总结、摘要；只需通过编写Prompt驱动LLM按照住院病历小结规范来生成。

　　第五个场景是生成诊断编码。LLM生成的诊断编码具有以下特点：按照时间逻辑线组织的病历内容，可作为给出最合理的多种疾病编码的依据；LLM模型具备ICD10编码的知识能力；只需通过编写Prompt来驱动LLM按照疾病编码规则来生成。

　　第六个场景是预问诊信息采集。LLM支持预问诊信息采集具有以下优势：基于LLM的知识能力和推理能力实现；通过编写包含所有问题的Prompt驱动LLM，LLM按照指令要求，逐个推送问题；实现LLM主动提问，同时能对用户回答进行数据校验。

　　谈及Prompt的特点时，余浩强调：“Prompt是驱动LLM工作的主要方式；用自然语言描述Prompt，没有严格的语法限制，简单、直接；高质量的回答，首先来源于高质量的Prompt；按照场景编写Prompt，以结果为导向，进行调试。”

加强安全与合规

　　AI在医疗行业的应用离不开伦理这一话题，对此，余浩认为，各种AI属于工具类，目前已在医疗行业获得广泛的应用，实现多方面的赋能，提升医疗质量和效率。同时，要防止算法偏见，界定清楚责任。他进一步指出：“AI替代人类是一个伪命题，业务场景下的伦理规范，在引入AI后同样适用，同时带来变化。不能以假象的技术突破，提前设置假象的伦理学围栏。”

　　同时，AI在医疗行业的应用面临安全与合规的问题，主要体现为数据隐私与保护、基础设施安全、模型安全，以及医疗场景容错率非常低。对此，余浩建议可采取以下措施应对：加强本地化部署；持续建设与改进；选择高品质的LLM；对LLM的上下文长度等进行人工确认。

　　谈及对AI在医疗行业的未来应用时，余浩强调：“AI已来，应积极拥抱；在应用过程中需大胆尝试，小心求证；从赋能到重构，从现实中的小问题、小场景入手，逐步深入，稳步推进；算力是基础，提取有质量的数据，同时回归医疗业务本身，用好每个人的注意力资源。医疗机构应积极拥抱AI，为‘健康中国2030’提供数字化支撑。”