*僅供醫學專業人士閱讀參考

以大模型為代表的生成式人工智能，擁有強大的知識編碼、文本理解、推理能力，迅速成為數字化和智能化的新型技術基座，有望推動新一輪的醫學人工智能革命，對科學和社會產生深遠的影響。

現有醫學大模型處于快速變革和更新迭代的關鍵時期，面對場景特異知識缺乏、生成內容安全性不足等挑戰。醫學大模型的前瞻性臨床試驗和真正落地，更是被譽為“皇冠上的明珠”，是領域內亟待攻克的關鍵挑戰。因此，如何研發關鍵性技術破解落地難題，推動醫學大模型領域的發展與應用，具有重要科學與社會意義。

2024年7月15日，中國醫學科學院基礎醫學研究所龍爾平團隊與耶魯大學陳慶宇合作，在Nature Medicine上發表了題為Outpatient reception via collaboration between nurses and a large language model: a randomized controlled trial的研究論文。

不同于主流的通用大模型，本研究將整體醫療場景拆分為特定的“小世界”，建立了全景數據采集-知識精煉-算法增強的“小世界增強”SSPEC技術框架，成功研發了兼具高專業度和共情支持的導診大模型；通過預警低質量的生成內容和必要修正，解決了大模型的幻覺難題，成功推向臨床試驗，獲得最高級別的循證醫學支持證據。

圖1. SSPEC數據采集、設計、評估及驗證的總流程

成立真實醫學對話醫療聯盟，建立戰略級醫學大模型數據資源池

為了采集原始的醫患對話記錄，本研究成立了“真實醫學對話語料聯盟”，建立語音采集-自動文字轉化-人工校對的標準化流程；SSPEC大模型的構建，以2個中心10個場景全方位采集的35418例真實導診對話為基礎，以提取對話信息形成的知識庫作為訓練數據，在基座模型上進行微調和提示調優，使導診大模型能夠解決場景中出現的各種特定問題。

截止2024年6月，團隊已在5個中心24個不同醫學場景，收集整理了超過120萬例真實醫患對話。“真實醫學對話語料聯盟”展示了醫患溝通中難預測、低效率等特點，也為應用級的大模型研發搭建了戰略級的數據資源壁壘。

研發知識對齊預警系統，直面解決大模型幻覺難題

大模型往往會一本正經地胡說八道，這類現象被稱為“幻覺”，普遍存在且難以察覺/糾正。為確保模型的安全性、解決幻覺難題，研究團隊以場景知識為基準，研發了知識對齊的多通道安全預警系統，運用增強檢索、風險詞庫等多項技術，對生成內容進行評估和必要修正。

圖2. 知識對齊的多通道安全預警系統

前瞻性隨機對照試驗，獲得最高級別的循證醫學支持證據

醫學大模型的前瞻性臨床試驗和真正落地，被譽為“皇冠上的明珠”，是領域內亟待攻克的戰略級問題。本研究發現，SSPEC在內部測試中能夠在更少的對話回合內解決患者的疑問，性能上全面優于現有主流大模型，同時在共情支持得分上顯著優于人類導診（4.12±0.86 vs 3.39±1.21, P < 0.001）。

基于此，團隊率先將SSPEC推向臨床，在2164人的前瞻性隨機對照試驗中，相對于人類專家，SSPEC在事實性、安全性、共情能力均展現出明顯優勢，在真實應用場景中，降低了11.2%的重復溝通和5.4%的醫患沖突比例。

圖3. 內部測試中SSPEC與人類導診的回復質量對比

作為醫療健康的新質生產力方案，應用前景廣闊

提高全要素生產率，實現醫療健康行業的增速換擋，是現階段社會發展的核心訴求之一。SSPEC技術不依賴特定的基座大模型，通過特定場景的垂直領域增強，取得了最高級別的循證醫學支持性證據，將作為醫學大模型的示范性落地應用，為推進衛生健康現代化提供新質生產力方案。研究團隊表示，SSPEC技術不僅能夠應用于導診工作，未來能夠拓展于患者健康教育、操作前談話等更多的復雜臨床場景。

龍爾平研究員（中國醫學科學院）和陳慶宇助理教授（耶魯大學）為本研究通訊作者。美國國立衛生研究院、武漢大學人民醫院、南方科技大學鹽田醫院的合作者參與本研究，作出重要貢獻。

參考文獻：

[1]Wan, P., Huang, Z., Tang, W. et al. Outpatient reception via collaboration between nurses and a large language model: a randomized controlled trial. Nat Med (2024). https://doi.org/10.1038/s41591-024-03148-7