共计 3440 个字符，预计需要花费 9 分钟才能阅读完成。
本期文心开发者说邀请到天佑星河团队负责人，从医疗教育与人工智能联合的角度登程，分享“智慧医疗教育零碎”的开发历程。本期分享将从利用介绍、利用价值、利用亮点、技术全景等方面介绍“智慧医疗教育零碎”利用的开发心得和技术路线。
随着生成式人工智能的倒退，AI 正在一直重塑医疗衰弱畛域。依据麦肯锡寰球研究所（MGI）预计，生成式 AI 每年可为制药和医疗行业带来 600 亿至 1100 亿美元的经济价值。天佑星河团队从医疗教育与人工智能联合的角度登程，开发了“智慧医疗教育零碎”。该零碎使用文心大模型模拟病患，为医学生提供了一个仿真、互动的学习环境，通过与模仿病患交换，锤炼其诊断能力、沟通技巧和临床思维。
与此同时，咱们还在飞桨星河社区开发了面向临床用户的“手术过程记录生成零碎”与“电子病历生成零碎”，两个零碎的内核动力均源自文心大模型卓越的自然语言了解和生成能力，通过整合语音辨认及提醒词工程技术，主动生成手术过程和电子病历记录，提供更加高效、精确的记录形式，帮忙医生解脱沉重的文书工作，大大加重了工作累赘。
本次次要分享“智慧医疗教育零碎”利用的开发心得和技术路线。
“智慧医疗教育零碎”是什么
利用介绍
“智慧医疗教育零碎”实质上是一个创新性大语言模型利用，该零碎深度整合了提醒词工程技术，涵盖语义剖析、上下文了解以及精细化词汇抉择等多个子畛域，旨在晋升模型的响应准确性和用户用意辨认能力。同时，通过使用多轮对话控制技术，模仿人类对话的连贯性和复杂性，实现更天然、高效的人机交互。
随着人工智能技术的疾速倒退，医疗畛域学科知识疾速迭代，对医学生的教育培养提出了更高要求。传统的医学教育模式往往侧重于理论知识的传授，但在实际技能、临床经验以及跨学科整合方面存在肯定局限性。这些局限性导致医学生在面对复杂多变的临床情境时，经常感到力不从心，难以将所学理论知识有效应用于理论工作中。在此背景下，智慧医疗教育零碎应运而生，从理论临床场景登程，利用大语言模型的交互能力，不仅可能帮忙医学生更高效地学习和把握医学知识，还可能造就他们的临床思维和跨学科整合能力，为将来的医疗事业造就更多优良的人才。
利用价值
晋升学习体验
智慧医疗教育零碎通过模仿实在病人对话，为医学生打造了极具现场感的学习环境。这种沉迷式的体验，使学习过程变得更加直观、深刻，不仅激发了医学生的学习激情，还让他们在模仿实际中疾速成长，为未来的职业生涯做好充分准备。
增强实践与实际联合
该系统模拟理论问诊场景，医学生通过与文心一言表演的模仿病人进行多轮对话，充沛锤炼他们在信息收集、剖析病情、推理诊断等方面的实际技能，对传统教育模式进行补充，增强他们实践与实际相结合的能力。
实时反馈与评估
系统对用户的诊疗过程进行实时评估并给出打分与评估，这种实时反馈机制有助于医学生疾速辨认谬误、调整决策思路，有针对性地晋升问诊能力。
利用亮点
充分利用文心大模型的能力
通过调用 ERNIE SDK 全面开释文心大模型的发明潜能，借助其弱小的生成能力，零碎可能发明出丰盛多样的模仿病例和真切场景，为医学生提供广大且高效的实际平台。
多轮对话技术
零碎采纳先进的多轮对话技术，使大模型具备记忆力。在与模仿病人的间断对话中，零碎可能记住已输出的信息，放弃对话的连贯性，从而更实在地模仿理论问诊过程，晋升医学生的沟通和实际能力。
提醒词模板技术和医学术语的联合
智慧医疗教育零碎奇妙地将提醒词模板技术与医学术语相结合。通过预设的医学术语提醒词，可能更精确地告知大模型须要学习的内容，使学习更加个性化。
搭建“智慧医疗教育零碎”
技术全景
在介绍具体步骤之前，先从宏观整体的角度理解该利用是如何实现的。
泳道图是一种用来形容零碎流程的图表，形容了用户与零碎交互的过程。在开始阶段，用户能够抉择一级科室名称，零碎将 SQL 查问语句提交给数据库，数据库依据一级科室查问所有二级科室，找到一个二级科室的数据集并通过零碎渲染到用户界面。
用户抉择二级科室名称后，点击提交按钮，零碎会将 SQL 查问语句再次提交给数据库，数据库随后将随机查问到的提醒词模板返回给零碎。
零碎将提醒词模板中的动静局部依照用户输出替换，并将替换后的提醒词与之前的对话信息合并，而后提交给大模型。
用户收到大模型的反馈后，能够进行下一轮的对话，直到单方对话完结。
以下是利用的泳道图作为参考：
技术门路
接下来，咱们一起理解这个利用的几个性能具体是如何实现。以 AI Studio 的 bml codelab 为例。须要抉择一个适合的环境，在此基础上进行下一步的开发。
一级科室及二级科室的显示及联动
前端采纳的是 Gradio 框架。Gradio 是一个开源的 Python 库，次要性能为疾速构建和分享人工智能利用。Gradio 的代码构造绝对简略，只需简略定义输出和输入接口即可疾速构建简略的交互页面，大大提高了开发 demo 的效率，以下是相干代码：
对于一级临床科室分类我的项目，在页面加载的时候，通过加载 law_situation_list 的列表将所有的一级临床科室分类我的项目显示在页面中，以下是相干代码：
从代码中能够看出，一级临床科室分类我的项目列表是通过执行一段 sql 查问语句取得的。这种办法的劣势在于当科室分类发生变化和调整的时候，只须要批改数据库中的相干信息，无需批改代码。二级临床科室分类我的项目会在一级临床科室分类我的项目的单选框被选中后触发，触发后执行 reload_point 的函数，输出的参数是被选中的一级临床科室分类我的项目，以下为 reload_point 函数：
通过执行这个 reload_point 函数，能够依据一级临床科室分类我的项目，列出其下所有的二级临床科室分类。
提醒词模板技术
这一部分采纳提醒词模板技术，模板蕴含两个次要局部：动态局部和动静局部。动态局部通常蕴含一些固定不变的文本元素，动静局部则依据理论状况进行调整。在咱们的我的项目中，提醒词模板的示例如下：
假如你是一位病人，须要去 {一级临床科分类} 下的 {二级临床科室分类} 科室看病，你须要依据我的发问给出相干症状信息；随后你须要暂停这个情境，让我持续发问；最初，我会联合针状信息，为你诊断病情，你依据我的诊断状况进行打分 (满分 100 分)、并给予服务评估，比方脱漏了哪些问题，哪些问题问得不够好。上述提醒词模板中，{一级临床科分类} 和{二级临床科室分类}是提醒词模板中的动静局部，会依据用户输出的一级临床科分类和二级临床科室分类进行替换，动态局部放弃局部，替换后造成的提醒词才是真正的提醒词。
多轮对话技术
多轮对话最重要的是构建一个 JSON 文件，其中蕴含历次的对话信息和本次的新的提醒词，以这个 JSON 文件传给大模型，以下是次要的外围代码：
在这个代码中，messages 这个变量用来存储历次对话信息以及新的提醒词，在与大模型对接前，通过 messages.append({“role”:”user”,”content”:prompt_template})将每一次的新的提醒词退出到 messages 中，待大模型返回后果后，再通过 messages.append 函数将大模型返回的后果退出到 messages 中，为下一次的对话做筹备。通过上述的多轮对话技术，让大模型获取记忆，从而更好地实现多轮对话。
玩转“智慧医疗教育零碎”
接下来，带大家一步步体验这一利用，摸索如何应用智慧医疗教育零碎。
（1）抉择临床科室一级分类和二级分类，如果不抉择二级分类，零碎将依据一级科室随机调配一个二级分类；
（2）点击提交按钮开始学习；
（3）用户作为实习医生，输出须要与病患沟通的语句；
（4）点击提交按钮将对话发送给零碎；
（5）单方的沟通内容会显示在 chatbot 对话框中；
（6）输出诊断信息；
（7）点击提交按钮将对话发送给零碎；
（8）零碎返回评估得分，以及给出相应的领导，例如用户之前询问过程中，没有询问患者的过敏史、是否有抽烟喝酒的习惯、职业和工作环境等。
“智慧医疗教育零碎”的下一个指标是利用基于 ERNIE SDK 的 Agent 框架，通过智能体的布局、记忆、工具、口头的能力，打造一款高度智能化的医疗教育智能体。在多模态交互方面，该智能体通过调用各种工具生成高度真切的 X 光片、验血报告单等医疗影像和文档，使教育过程更加贴近理论临床问诊的场景。此外，该智能体将通过长期记忆能力的开发，整合丰盛的病例库资源与最新医学研究成果，确保教育内容的时效性和准确性，帮忙医学生、实习医生乃至退职医护人员晋升临床决策能力，造就高效的问题解决能力。
