医疗诊断是一项高度依赖经验的工作，医生需要同时处理影像、检验报告、病史描述等多种模态的信息，任何一个环节的疏漏都可能影响最终判断。AI技术的引入并不是要取代医生，而是充当一个不知疲倦的助手：在影像环节快速筛查可疑病灶，在文书环节自动整理冗长的病历，在决策环节给出候选诊断供医生参考。这篇教程将围绕影像分析、病历总结、鉴别诊断建议三个场景，把技术原理、实现代码和落地注意事项一次性讲清楚。
一、医学影像分析：从数据预处理到模型推理
医学影像分析是医疗AI最成熟的方向，常见的影像类型包括X光、CT、MRI、病理切片和眼底照片等。与自然图像不同，医学影像通常是DICOM格式的灰度图，像素深度达到16位，直接用通用的图像处理库读取会丢失大量信息。因此第一步是格式转换与预处理，包括窗宽窗位调整（针对CT）、尺寸归一化、直方图均衡等操作。
以胸部CT的肺结节检测为例，目前主流做法是基于深度学习的目标检测或分割网络。公开数据集LUNA16提供了888次CT扫描和标注好的结节位置，非常适合作为入门练手项目。下面用Python演示读取DICOM文件并进行窗位调整的基本流程：
import pydicom
import numpy as np
# 读取DICOM文件
ds = pydicom.dcmread("1.2.840.xxxx.dcm")
img = ds.pixel_array.astype(np.float32)
# 获取窗宽窗位参数
wc = float(ds.WindowCenter)
ww = float(ds.WindowWidth)
# 应用窗宽窗位，将像素值映射到0-255范围
img_min = wc - ww / 2
img_max = wc + ww / 2
img_normalized = np.clip((img - img_min) / (img_max - img_min), 0, 1)
img_8bit = (img_normalized * 255).astype(np.uint8)
print("处理后的图像尺寸:", img_8bit.shape)模型选型方面，如果是分类任务（如判断胸片是否存在肺炎），迁移学习是性价比最高的方案：拿在ImageNet上预训练的ResNet、EfficientNet或DenseNet作为骨干网络，替换最后的全连接层，用标注好的医学数据微调即可。如果是分割任务（如器官轮廓勾画、肿瘤边界分割），U-Net及其变种几乎是标配，它通过跳跃连接同时保留浅层的空间细节和深层的语义信息，在医学影像这种小数据集场景下表现稳定。
推理部署阶段需要考虑速度与精度的平衡。医院内网环境往往无法调用云端API，因此通常要将模型转换为ONNX或TensorRT格式，部署在本地GPU服务器上。此外，热力图可视化（如Grad-CAM）非常值得加上，它能在原图上标出模型关注的区域，让医生直观判断模型是看对了病灶还是被伪影误导，这对建立临床信任至关重要。
二、病历智能总结：用大语言模型抽取结构化信息
一份住院病历往往包含入院记录、病程记录、手术记录、检验结果等数万字内容，医生写出院小结时需要在多个文档间反复跳转，耗时且容易遗漏。大语言模型在长文本理解上的能力恰好契合这个痛点。实现思路通常分为两步：先用信息抽取把关键要素提取出来，再按模板生成摘要。
需要抽取的关键要素包括：主诉与现病史、既往史与过敏史、重要阳性检验指标、手术或操作名称、住院期间的治疗经过、出院时的用药方案等。借助langchain这样的框架，可以很方便地把大模型与提示词工程结合起来：
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
llm = ChatOpenAI(model="deepseek-chat", temperature=0.1)
prompt = ChatPromptTemplate.from_messages([
("system", "你是一名三甲医院的病案室医生，请从病历中抽取结构化信息，"
"严格基于原文，禁止编造不存在的数据。"),
("human", "请从以下病历文本中抽取：\n"
"1. 主诉\n2. 关键诊断\n3. 住院期间主要治疗措施\n"
"4. 出院带药清单\n5. 需要复诊的项目\n\n病历内容：\n{record}")
])
chain = prompt | llm
result = chain.invoke({"record": long_medical_record})
print(result.content)这里有两个工程细节不能忽视。第一是temperature参数要设得很低，病历总结是严肃的文书任务，不需要发散创造力，温度越低输出越稳定。第二是幻觉问题，大模型偶尔会编造病历中不存在的数值或药名，必须在提示词中明确禁止，最好再加一层后处理校验，比如用正则表达式核对药品名称是否出现在原文中，或者用规则引擎比对检验数值。
对于超长病历，直接塞进上下文窗口可能超出token限制。常用的解决办法是分段摘要加合并：先按章节切分文本，对每段单独生成小摘要，再把所有小摘要合并成最终总结。也可以采用Map-Reduce式的处理框架，让每段摘要的结果通过第二次调用汇总，这种两级处理方式在保持细节完整度上明显优于粗暴截断。
三、鉴别诊断建议：让AI给出可信的候选诊断
鉴别诊断是临床思维的核心环节，也就是根据症状、体征和检查结果，列出多个可能的诊断并逐一排查。让AI参与这个过程，最大的风险不是它给不出答案，而是它一本正经地给出错误答案。单纯依赖大模型的参数化知识做诊断建议是不够的，更可靠的做法是引入检索增强生成（RAG），让模型基于权威医学文献和临床指南来回答。
具体流程是：先把诊疗指南、教科书条目、权威数据库（如UpToDate类资源）向量化存入向量数据库，运行时根据患者信息检索最相关的若干条知识，再把这些知识作为上下文交给大模型生成候选诊断。示例代码如下：
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
# 假设guideline_chunks是切分后的临床指南文本片段
vectorstore = FAISS.from_texts(
guideline_chunks,
embedding=OpenAIEmbeddings()
)
# 根据患者病情描述检索相关知识
query = "58岁男性，反复胸闷气短三个月，夜间不能平卧，双下肢水肿"
docs = vectorstore.similarity_search(query, k=5)
knowledge = "\n".join([d.page_content for d in docs])
answer = llm.invoke(
"请结合以下临床指南内容，给出鉴别诊断思路和需要完善的检查：\n"
+ knowledge + "\n\n患者情况：" + query
)
print(answer.content)输出环节的设计同样重要。建议让模型输出固定结构的JSON，包含候选诊断列表、每个诊断的支持依据、不支持依据以及建议补充的检查项目。同时务必在界面上标注证据来源，让医生能一键跳转到对应的指南原文核实。候选诊断应该按可能性排序并附上置信度提示，但要明确告知用户这些排序仅供参考，最终判断权在医生手中。
四、落地时必须警惕的问题
技术方案再漂亮，医疗场景的落地也有几条红线。首先是数据合规，患者数据属于高度敏感的个人信息，国内受个人信息保护法和数据安全法约束，训练和测试都必须经过脱敏处理，住院号、姓名、身份证号等字段要在进入模型前彻底清除。其次是责任边界，AI给出的任何诊断建议只能作为辅助参考，产品文案和交互设计上都要避免让使用者产生AI可以替代医生判断的误解，目前监管层面对辅助诊断类产品普遍要求按医疗器械申报审批。
再次是模型可解释性与误判监控。上线后要持续收集模型的预测结果与医生的最终诊断进行对比，统计假阴性率（漏诊）和假阳性率（误诊），并定期用新积累的病例做回溯评估，因为疾病谱和数据分布会随时间漂移，模型性能可能悄然下降。最后，伦理层面还应关注数据偏倚问题：如果训练数据主要来自某几家医院，模型在其他设备、其他人群上的表现可能大打折扣，跨中心验证是发布前不可缺少的一步。
整体来看，AI辅助医疗诊断的价值在于把医生从重复性劳动中解放出来：影像分析承担初筛，病历总结压缩文书时间，鉴别诊断拓宽思路。把这三个环节串成一条流畅的工作链，再配合严格的质量监控与合规体系，才是这项技术真正走进临床的正确姿势。