復(fù)旦大學(xué)附屬華山醫(yī)院普外科胃腸外科中心

副主任醫(yī)師 周易明

醫(yī)學(xué)面臨信息爆炸與知識(shí)更新滯后的雙重挑戰(zhàn)，全球臨床研究數(shù)量翻倍，而傳統(tǒng)知識(shí)獲得相對(duì)緩慢，語(yǔ)言壁壘與證據(jù)甄別耗時(shí)耗力。在華山醫(yī)院黨建引領(lǐng)下醫(yī)院教師工作論壇暨“師說·華山”文化沙龍中，華山醫(yī)院普外科副主任醫(yī)師周易明分享了以臨床需求為驅(qū)動(dòng)，研發(fā)基于大語(yǔ)言模型ai工具，模擬臨床思維鏈、助力醫(yī)學(xué)教育從“知識(shí)灌輸”邁向“場(chǎng)景化學(xué)習(xí)”的實(shí)踐與思考。

為醫(yī)學(xué)教育裝上“導(dǎo)航”：以knows為例

我是來(lái)自普外科胃腸外科中心的周易明。我想分享一下自己參與開發(fā)的一個(gè)ai工具，以及這個(gè)工具可能應(yīng)用到醫(yī)學(xué)教育領(lǐng)域的一些思考。

循證的“時(shí)差”

區(qū)別于傳統(tǒng)醫(yī)學(xué)，現(xiàn)代醫(yī)學(xué)的基石本質(zhì)就是大量基于臨床和基礎(chǔ)研究形成的高質(zhì)量證據(jù)。我們現(xiàn)行教科書里的每一條證據(jù)背后都對(duì)應(yīng)某一個(gè)研究，如果這類研究足夠古老、權(quán)威，便會(huì)成為常識(shí)，但新出現(xiàn)的研究，還未被寫進(jìn)指南、納入臨床實(shí)踐時(shí)，搜集這些研究，使之值得參考，對(duì)于醫(yī)生而言，則需投入大量時(shí)間與精力以甄別與消化。

現(xiàn)代醫(yī)學(xué)面臨著許多挑戰(zhàn)，其中，信息過載是最嚴(yán)重的問題之一。2000年，全球每年注冊(cè)臨床醫(yī)學(xué)研究數(shù)量不過2000項(xiàng)左右，二十年過去已經(jīng)激增到超過每年2萬(wàn)項(xiàng)。并且，如今研究數(shù)量每五年都會(huì)翻一番。

信息快速更新，但教科書的更新周期長(zhǎng)，在臨床實(shí)踐中，醫(yī)生往往又需要以最新的高質(zhì)量研究以及共識(shí)作為參考。我們做外科醫(yī)生的大多都知道，現(xiàn)今有許多優(yōu)秀的案例，沒有很好地應(yīng)用到臨床實(shí)踐當(dāng)中來(lái)。在現(xiàn)代實(shí)踐中，患者合并多種復(fù)雜病癥又要求跨學(xué)科知識(shí)整合的能力。此外，大多數(shù)高質(zhì)量研究都在國(guó)外醫(yī)學(xué)期刊發(fā)表，可能存在的語(yǔ)言障礙，會(huì)進(jìn)一步加劇這種信息不對(duì)稱。

構(gòu)建可信賴的“證據(jù)中樞”：

從rag到可追溯

基于這些復(fù)雜的現(xiàn)狀，2016年左右，我開始探索構(gòu)建以臨床醫(yī)學(xué)研究文獻(xiàn)為核心語(yǔ)料的專用人工智能模型。這一探索歷經(jīng)波折，直到2022年chatgpt出現(xiàn)后，我們關(guān)于以人工智能高效整合并合理應(yīng)用海量醫(yī)學(xué)數(shù)據(jù)的設(shè)想才顯現(xiàn)出清晰的路徑。在ai時(shí)代，通過新工具的開發(fā)來(lái)簡(jiǎn)化繁瑣的搜索、篩選、整合、輸出過程，是否可行？這正是我最初的想法。

但是，chatgpt仍然有各種缺陷，比如，輸出存在種種幻覺，提供的文獻(xiàn)參考可能是編造的。此外，文獻(xiàn)也可能缺乏時(shí)效性，無(wú)法應(yīng)對(duì)復(fù)雜場(chǎng)景下的診療，可解釋性、語(yǔ)料多樣性等方面，也都存在缺陷。

最近幾年，國(guó)家相關(guān)部門和上海市政府出臺(tái)了許多專門的政策，大力支持人工智能在醫(yī)學(xué)領(lǐng)域的發(fā)展。

在我個(gè)人看來(lái)，針對(duì)以上種種缺陷的解決方案，需要分為幾步。

首先，是實(shí)現(xiàn)數(shù)據(jù)整合，包括公域文獻(xiàn)數(shù)據(jù)與脫敏后的私域病例數(shù)據(jù)。廣義的文獻(xiàn)數(shù)據(jù)涵蓋教科書、指南、論文、會(huì)議摘要，乃至病例報(bào)道和臨床試驗(yàn)注冊(cè)信息。此類為臨床實(shí)踐和教學(xué)打造的人工智能助手，必須具備的核心功能是自然語(yǔ)言的交互式問答。這一功能對(duì)于醫(yī)學(xué)教育的價(jià)值，不僅限于華山醫(yī)院，更有望惠及全國(guó)的青年學(xué)子，尤其是醫(yī)療資源相對(duì)匱乏地區(qū)的學(xué)生，意義更加重大。

其次，是確保證據(jù)的全面性與可溯源性。大模型產(chǎn)生幻覺，其根本原因在于訓(xùn)練數(shù)據(jù)或知識(shí)庫(kù)的局限性，即證據(jù)量不足、覆蓋不全。因此，要構(gòu)建一個(gè)真正可靠的系統(tǒng)，首先必須確保生成的每一條結(jié)論都有明確、可核查的文獻(xiàn)出處。

第三，是打破語(yǔ)言壁壘。鑒于大量高質(zhì)量研究在英語(yǔ)雜志發(fā)表，精準(zhǔn)的翻譯功能是關(guān)鍵支撐。這不僅是為了向用戶精準(zhǔn)匯總和提煉證據(jù)，更是為了將全球文獻(xiàn)納入知識(shí)庫(kù)。因此，我們不能直接套用通用翻譯引擎，而必須構(gòu)建一個(gè)可根據(jù)專業(yè)反饋實(shí)時(shí)更新的專用醫(yī)學(xué)翻譯引擎。

最后一個(gè)，是實(shí)現(xiàn)實(shí)時(shí)更新。面對(duì)前述的“知識(shí)爆炸”，臨床醫(yī)學(xué)證據(jù)瞬息萬(wàn)變。一旦有新文獻(xiàn)發(fā)表或指南更新，大模型系統(tǒng)應(yīng)能迅速將其納入。其應(yīng)用場(chǎng)景可包括基于問題和證據(jù)的學(xué)習(xí)（pbl）、個(gè)性化學(xué)習(xí)路徑的制定，以及即時(shí)的評(píng)估與反饋。預(yù)期效果則在于全面提升學(xué)習(xí)效率、教學(xué)質(zhì)量，并有效克服知識(shí)孤島。

我們研發(fā)knows至今，主要是開發(fā)了融合的語(yǔ)料庫(kù)，到現(xiàn)在為止，公域文獻(xiàn)基本已經(jīng)做好了。此外，我們也將頂級(jí)學(xué)術(shù)會(huì)議上的會(huì)議摘要、正在進(jìn)行的注冊(cè)臨床研究以及藥物說明書納入其中。

我們所應(yīng)用的垂類大模型訓(xùn)練技術(shù)主要是rag（retrieval augmented generation，檢索增強(qiáng)生成）和sft（supervised fine-tuning，監(jiān)督微調(diào)）。rag主要將生成和檢索技術(shù)結(jié)合，通過外部知識(shí)的實(shí)時(shí)補(bǔ)充進(jìn)行動(dòng)態(tài)檢索，從而解決幻覺、時(shí)效性不足和復(fù)雜場(chǎng)景理解等問題。相比之下，sft的成本更高，其運(yùn)行邏輯不只依賴外掛知識(shí)庫(kù)，更近似于對(duì)模型本身的“重塑”。sft的核心在于，通過大量源于臨床實(shí)踐的高質(zhì)量問答數(shù)據(jù)，對(duì)模型進(jìn)行特定領(lǐng)域的微調(diào)。如果能將這些對(duì)話轉(zhuǎn)化為結(jié)構(gòu)完善且經(jīng)過精細(xì)清理的語(yǔ)料庫(kù)，所訓(xùn)練出的垂直領(lǐng)域模型將能更好地適配醫(yī)學(xué)教育的需求。

近年來(lái)，我們團(tuán)隊(duì)首先開發(fā)了《基于大語(yǔ)言模型的智能問答式結(jié)直腸癌專業(yè)文獻(xiàn)搜索和內(nèi)容生成引擎系統(tǒng)》。以此為基礎(chǔ)，團(tuán)隊(duì)進(jìn)一步與ai創(chuàng)業(yè)公司合作，共同開發(fā)了面向全醫(yī)學(xué)領(lǐng)域的aigc工具knows。通過持續(xù)的訓(xùn)練與迭代，knows已能做到“零幻覺”、響應(yīng)迅速、知識(shí)庫(kù)日更。這些特性的支持，使其能夠覆蓋廣泛的醫(yī)學(xué)教學(xué)場(chǎng)景。目前，knows已在臨床教學(xué)和研究生科研綜述等場(chǎng)景中獲得大量應(yīng)用反饋，并在此基礎(chǔ)上不斷優(yōu)化更新。

從“一個(gè)模型”到會(huì)協(xié)作的“智能體”

如果說知識(shí)庫(kù)與rag把“對(duì)不對(duì)”解決了一半，另一半是“怎么想”。臨床推理不是單點(diǎn)答案，而是“采集—鑒別—證據(jù)—決策—復(fù)核”的連續(xù)過程。單一模型即便強(qiáng)大，也難以在所有步驟都穩(wěn)態(tài)發(fā)揮。因此，我們?cè)诮虒W(xué)場(chǎng)景引入了多智能體（agentic）設(shè)計(jì)，包括學(xué)生智能體、教師智能體，內(nèi)容引擎、協(xié)調(diào)器，讓多agent形成“閉環(huán)學(xué)習(xí)”。這四個(gè)模塊，構(gòu)成了我們面向cbl（case?based learning）教學(xué)的智能體原型，與住培、專培實(shí)訓(xùn)貼合：從病史采集到鑒別診斷的逐步思考，在關(guān)鍵節(jié)點(diǎn)自動(dòng)調(diào)取指南與高質(zhì)量研究并給出結(jié)論摘要，進(jìn)行準(zhǔn)確評(píng)分，給出“哪一步錯(cuò)、為何錯(cuò)、如何改”，同時(shí)按弱項(xiàng)定制“二次學(xué)習(xí)—再評(píng)估”的個(gè)體化進(jìn)階建議。

ai賦能教育

接下來(lái)，我想分享關(guān)于ai如何推進(jìn)醫(yī)學(xué)教學(xué)變革的一些思考。

傳統(tǒng)的醫(yī)學(xué)教育模式，遵循著固定的路徑：先是基礎(chǔ)醫(yī)學(xué)（如解剖組胚、生化生理、病理藥理等），再到臨床前課程（如診斷學(xué)、影像學(xué)），最后進(jìn)入臨床醫(yī)學(xué)課程（內(nèi)外婦兒、傳染病、神經(jīng)精神病學(xué)等），完成所有課程后才進(jìn)入臨床實(shí)習(xí)。然而，進(jìn)入臨床后，學(xué)生依然無(wú)法直接獲得成為一名合格外科醫(yī)生所必需的完整技能。從書本教學(xué)到臨床崗位的實(shí)際工作，如病史采集、體格檢查、醫(yī)囑處理、換藥、溝通協(xié)調(diào)乃至手術(shù)操作，這中間需要一個(gè)有效的過渡橋梁。

誠(chéng)然，目前已有pbl（problem-based learning）、cbl（case-based learning）等教學(xué)方法作為輔助手段，但我個(gè)人認(rèn)為還有空間，創(chuàng)新的教學(xué)模式應(yīng)轉(zhuǎn)向基于真實(shí)場(chǎng)景框架的系統(tǒng)逆向?qū)W習(xí)。

以外科學(xué)為例。傳統(tǒng)教科書提供了學(xué)科框架，包括其歷史、定義、范疇（如腫瘤、外傷、炎癥等）。但是，知識(shí)在“學(xué)習(xí)階段”和“應(yīng)用階段”的特點(diǎn)截然不同。此外，外科門診、急診、病房和手術(shù)室等不同場(chǎng)景，對(duì)醫(yī)師的技能和知識(shí)儲(chǔ)備要求也各有側(cè)重。外科學(xué)教學(xué)重點(diǎn)應(yīng)置于此：提供一個(gè)臨床導(dǎo)向的學(xué)習(xí)框架，然后以真實(shí)病例為驅(qū)動(dòng)進(jìn)行學(xué)習(xí)。新手醫(yī)生首先要學(xué)習(xí)如何面對(duì)病人，從病史采集和體格檢查入手，而這個(gè)過程本身就需要調(diào)用診斷學(xué)和解剖學(xué)的知識(shí)。

例如，當(dāng)面對(duì)胃癌病例時(shí)，解讀檢查檢驗(yàn)結(jié)果需要融合外科學(xué)和內(nèi)科學(xué)知識(shí)；遇到黃疸或貧血并嘗試解讀檢驗(yàn)結(jié)果時(shí)需調(diào)用實(shí)驗(yàn)診斷學(xué)，判斷腫瘤分期時(shí)，又必須應(yīng)用醫(yī)學(xué)影像學(xué)知識(shí)。當(dāng)新手醫(yī)生開始接觸手術(shù)，需要調(diào)動(dòng)大一、大二時(shí)學(xué)習(xí)的局部解剖學(xué)和組織胚胎學(xué)等基礎(chǔ)知識(shí)，但未必都能記得。因此，醫(yī)學(xué)教育應(yīng)更多地基于病例進(jìn)行教學(xué)實(shí)踐，即在分析真實(shí)病例、判斷病情的過程中，將相關(guān)學(xué)科知識(shí)“鑲嵌”進(jìn)來(lái)，實(shí)現(xiàn)知識(shí)的即時(shí)應(yīng)用。

ai大語(yǔ)言模型恰好能為此提供支持。它可以基于真實(shí)病例，生成海量的、可隨機(jī)組合的模擬病例。這意味著，“標(biāo)準(zhǔn)化病人”未來(lái)可能部分被“虛擬人”替代。這種模擬實(shí)踐，能讓有志于從醫(yī)的學(xué)生更早地接觸臨床實(shí)踐環(huán)境，包括術(shù)后隨訪、功能康復(fù)等全流程，都可以引入這個(gè)基于真實(shí)場(chǎng)景框架的逆向?qū)W習(xí)系統(tǒng)來(lái)輔助教學(xué)，確保臨床實(shí)踐始終與可獲得的最佳證據(jù)保持同步。在功能模塊方面，一是構(gòu)建模塊化的基礎(chǔ)知識(shí)結(jié)構(gòu)，涵蓋基礎(chǔ)知識(shí)、臨床案例和醫(yī)學(xué)人文內(nèi)容。二是實(shí)現(xiàn)智能化的案例學(xué)習(xí)，我們將標(biāo)準(zhǔn)化病例納入大模型庫(kù)，訓(xùn)練ai輔助醫(yī)生進(jìn)行病例學(xué)習(xí)。對(duì)于整個(gè)教育體系，ai的助力將實(shí)現(xiàn)實(shí)時(shí)高效的知識(shí)傳播，使醫(yī)學(xué)教學(xué)與臨床實(shí)踐更加緊密地融合。對(duì)于教師而言，這個(gè)互動(dòng)體系也能根據(jù)數(shù)據(jù)反饋不斷優(yōu)化教學(xué)。

當(dāng)然，我仍然強(qiáng)調(diào)，大模型生成的內(nèi)容必須經(jīng)過專家審核，并應(yīng)引入對(duì)照研究來(lái)證實(shí)該教學(xué)方法的有效性。

以上是我的一些思考。供各位批判性參考。

華山科創(chuàng)① | 《文匯報(bào)》頭版頭條 華山醫(yī)院臨床醫(yī)生研發(fā)醫(yī)學(xué)ai引擎

講者介紹

周易明

普外科

副主任醫(yī)師

周易明，復(fù)旦大學(xué)附屬華山醫(yī)院普外科胃腸外科中心博士，副主任醫(yī)師；大數(shù)據(jù)中心副主任（掛職）；九三學(xué)社華山支社委員；哈佛大學(xué)醫(yī)學(xué)院，大阪醫(yī)科大學(xué)訪問學(xué)者。中國(guó)抗癌協(xié)會(huì)青年理事會(huì)理事、中國(guó)醫(yī)師協(xié)會(huì)肛腸醫(yī)師委員會(huì)青年工作組副組長(zhǎng) 擅長(zhǎng)胃腸腫瘤的綜合治療和個(gè)體化治療、轉(zhuǎn)移性及局部進(jìn)展期胃腸腫瘤的轉(zhuǎn)化治療、腹腔鏡及機(jī)器人胃腸腫瘤根治手術(shù)、超低位直腸的保肛根治手術(shù)、局部復(fù)發(fā)直腸癌的擴(kuò)大根治手術(shù)；研究方向?yàn)槌臀恢蹦c癌的手術(shù)應(yīng)用解剖，術(shù)式器械改進(jìn)和術(shù)后精準(zhǔn)康復(fù)；ai技術(shù)在醫(yī)學(xué)知識(shí)增強(qiáng)和手術(shù)技術(shù)培訓(xùn)中的應(yīng)用。曾獲中國(guó)醫(yī)師協(xié)會(huì)及中國(guó)抗癌協(xié)會(huì)腹腔鏡結(jié)直腸手術(shù)視頻比賽雙料全國(guó)冠軍；主持和參與國(guó)家自然科學(xué)基金、市經(jīng)信委人工智能專項(xiàng)等國(guó)家級(jí)和省部級(jí)項(xiàng)目8項(xiàng)；發(fā)表sci論文30余篇 ；百度“文心杯”大模型創(chuàng)業(yè)大賽 醫(yī)療行業(yè)全國(guó)冠軍（合作者）；大語(yǔ)言模型相關(guān)計(jì)算機(jī)軟件著作權(quán)2項(xiàng)，獲得百萬(wàn)級(jí)轉(zhuǎn)化合同。

喜歡就獎(jiǎng)勵(lì)一個(gè)“”和“在看”唄

上觀號(hào)作者：復(fù)旦大學(xué)附屬華山醫(yī)院