靳春杰：生成式AI在医学领域应用现状与基于大数据的DeepSeek应用

生成式AI与大模型同属人工智能的重要分支。其核心原理在于利用神经网络模拟数据分布，并通过对抗训练或优化损失函数以提升生成质量。天津医科大学总医院智慧医学信息管理中心主任靳春杰指出，生成对抗网络（GANs）通过生成器与判别器的竞争过程生成数据，而变分自编码器（VAEs）则借助编码器与解码器学习数据的潜在表示。

生成式AI核心技术

生成式AI应用场景广泛，既可生成虚拟人物图像，也能生成用于机器学习训练的数据样本。其优势在于能够生成与训练数据分布相似的新数据实例。理论上，成熟的生成式AI不仅能替代判别式AI的现有应用，还可处理判别式AI难以应对的场景。

靳春杰介绍，生成式AI的核心技术主要包括：

1.生成对抗网络（GANs）。由生成器与判别器两个神经网络组成，通过博弈方式进行训练。生成器负责生成逼真的合成数据，判别器则用于区分真实数据与生成数据；

2.变分自编码器（VAEs）。通过学习数据的潜在表示来生成与训练数据相似的新数据，尤其适用于图像生成任务；

3.自回归模型。基于给定上下文逐词生成文本，主要应用于机器翻译、文本生成等领域；

4.Transformers。在自然语言处理与多模态生成中取得突破，常用于对话系统、图像分类等任务。

目前，医疗大模型发展迅速，数量已逾百个，为医疗诊断与决策提供有力辅助。

构建应用体系

靳春杰指出，生成式AI的应用落地主要有以下三条路径：

1.标准软件路线。医院直接采购开箱即用的软件，无需投入过多开发时间与精力；

2.标准模型能力增强路线。基于通用生成式AI大模型，通过提示工程结合医院专属数据，优化模型输出能力；

3.定制化模型精调训练路线。在外部大模型基础上，融入医院专属数据进行训练与精调，构建更符合业务需求的专属大模型。

生成式AI的模型验证主要包括传统验证方法、深度学习验证方法及混合验证策略。其中，混合验证策略融合传统与深度学习方法的优势，通过集成学习等技术提升模型性能。

目前，医学大模型在心脏病诊断、癌症诊断与疾病预测等方面作用日益凸显。靳春杰强调：“医学AI大模型在辅助诊断与预测方面潜力巨大，但也面临数据质量、模型泛化能力等挑战。这要求我们在实际应用中持续优化模型、提升数据质量，并关注伦理与隐私问题。”

在医疗行业中，生成式AI主要发挥以下作用：

推动医疗服务优化：包括智能分诊、预问诊、病历智能管理与分析、医疗资源调度优化、随访与患者教育；

支持医疗诊断：涵盖疾病预测与辅助诊断、影像分析、药物研发与个性化治疗、基因组学与生物信息学数据处理；

加强公共卫生管理：涉及疫情监测预警、健康大数据分析、医疗保险与费用控制、个性化健康教育内容开发。

探讨未来应用

自2025年以来，DeepSeek大模型在医院中得到广泛应用。该系统通过优化实现极致性能，以低成本对标OpenAI O1，突破精确语义理解与复杂推理任务，资源需求低，支持快速部署。

靳春杰介绍，基于DeepSeek的领先大模型，目前已广泛应用于智慧服务、智慧医疗、智慧管理、智慧科研等场景，具体体现如下：

1.对准确性“包容度”较高的场景。主要采用DeepSeek+提示词模型，应用于患者健康宣教与轻咨询、院内客服与管理流程等；

2.对准确性有“一定要求”的场景。主要采用DeepSeek+RAG检索增强模型，应用于临床辅助检索、科研检索与院内知识库检索；

3.对准确性有“较高要求”的场景。主要采用DeepSeek+垂类模型，应用于临床辅助决策、医学影像报告生成、医疗质控、院内管理报表、科研论文生成、手术规划等。

DeepSeek+RAG检索增强可构建智能体/智能助手（Agent），利用大语言模型的推理能力，自主实现复杂任务的目标规划、任务拆解、工具调用与过程迭代，无需人工干预即可完成任务。

目前，人工智能在天津医科大学总医院获得广泛应用：

1.影像辅助诊断。包括肺癌AI辅助诊断系统、脑出血辅助诊断系统、骨科影像辅助诊断系统等；

2.临床诊疗相关。包括互联网医院辅助分诊咨询、专慢病辅助诊疗、肺癌辅助诊治等；

3.辅助系统。包括体检辅助报告生成、VTE辅助质控系统、TBI诊疗预测辅助系统等。

谈及医院如何更好地推进以DeepSeek为代表的人工智能应用，靳春杰提出了五阶段路径：

零阶段：准备期，完成院内接入。尽快在院内搭建私有算力环境，或通过专线专网采购算力环境（需一定资金投入），实现DeepSeek或其他大语言模型的接入，提供UI界面级初级应用，营造氛围。可初步尝试基于院内数据探索各类应用场景；

一阶段：筑基——打造医疗数智双基座。以DeepSeek等领先大模型作为基座模型，结合医疗行业专业模型，运用RAG等技术建立专业知识库，构建多模态数据资产平台，解决“数据孤岛”与“知识断层”问题，形成“通用基座模型+医疗垂类多模态大模型+医院专用知识库与数据资产”的数智双平台模式。需集成电子病历文本、DICOM影像、病理等多模态数据，夯实数智医院数据与智能双基座；

二阶段：进阶——场景智能体应用创建。基于基座模型能力，针对不同角色开发专用智能体，如临床医生助手（支持自然语言医嘱生成、智能病历质控、循证医学决策树构建）、医生科研助理（支持课题资料检索、文本生成与模型管理）、患者数字孪生（为慢病患者构建个性化健康管理模型）、科室运营数字助理等。通过场景应用，形成“人人懂AI，处处用AI”的院内生态，让每位员工都能成为智能体创作者；

三阶段：应用+提升。可借助科技企业提供的数据集成平台与智能体建设产品与服务，结合本单位实际情况进行提升。例如，在已建成的CDR和ODR基础上，集成管理数据、电子病历文本、DICOM影像、病理等多模态数据，形成医院数据平台，并与信息化公司提供的大语言模型及智能体结合。各科室可参与设计并训练自身的垂类模型，实现AI对管理、临床、科研的真正赋能；

四阶段：跃迁——构建自进化生态氛围。实现真正的医疗AI革命，构建“人机共治”的生态系统，包括：低代码开发平台：推出医疗专用Prompt工具链，允许医护人员通过自然语言指令自定义AI功能；群体智能网络：建立分布式学习架构，使各级医疗机构在数据不出域的前提下共享模型进化成果，最大化实现数智化赋能。

靳春杰认为，未来人工智能将向深度学习、自然语言处理、多模态数据与跨学科融合的方向发展。他最后强调：“在整个过程中，我们需持续关注模型的可解释性与准确性，加强数据隐私与安全保障，推动医学专家、数据科学家与工程师的跨学科协作，构建安全、可信、良性发展的人工智能应用生态。”