当前位置： AI资讯 > 内文

医疗智能体｜DeepSeek如何重构【鉴别诊断】逻辑？

2025-03-19 关键词： 医疗大模型

智能体（Agent）作为计算机科学与人工智能的发展方向，是指能够自主感知环境，并根据已有知识及获得反馈更新其行为进行学习的决策实体。它具备自主性、交互性、反应性和适应性等基本特征，能够在复杂多变的环境中独立完成任务。智能体的出现，标志着人工智能从简单的规则匹配和计算模拟向更高级别的自主智能迈进。

在医疗领域，智能体通过实时集成和分析患者数据，结合大模型的推理能力及医学知识库，能够实现辅助决策、质控任务的智能化与自动化，辅助医生提升医疗质量和效率。为解析智能体在各医疗场景中的应用，CDSreport将围绕临床诊疗、质量控制、医院管理等环节开展医疗智能体系列报道。本期将围绕鉴别诊断智能体的应用、实现过程等展开分析。

高年资医生也会出现鉴别诊断差错

鉴别诊断是指医生根据患者的症状、体征、病史以及其他检查结果，将可能的疾病按照发生发展的优先级，逐一进行比较和排除，最终确定最可能的疾病诊断的过程。它是现代医学诊断中的重要环节，贯穿于整个临床思维过程，对于提高诊断及治疗的准确性和及时性具有关键作用。

医生在书写鉴别诊断内容时，可能会出现两种差错：

一是鉴别诊断易出现“无需诊断”。医生根据既往就诊记录对已明确第一诊断和需要反复治疗的患者进行判断，并在书写病历时以“明确诊断”“无需鉴别”等内容填充鉴别诊断部分。实际上，即使患者第一诊断明确，但在不同环节进行鉴别诊断分析，有助于评估患者的病情变化，明确诊断并发症的可能性，对患者改善预后有一定帮助。

二是鉴别诊断填写内容与患者主要矛盾关联性不强。这种情况常见于医生未能准确把握患者的主要症状或病史，而将一些与当前病情关联度不高的疾病列入鉴别诊断。这不仅可能导致诊断的延误，还可能让患者接受不必要的检查和治疗，增加经济和心理负担。

综合出现这些差错的原因，与临床表现复杂多样、医生经验与知识存在局限性、检查手段和技术持续更新和医疗信息人工整合能力不足等原因密切相关。

可以看到，快速、准确的鉴别诊断过程考验的是医生的诊疗经验、知识储备、学习能力等综合素质。经验丰富的高年资医生凭借多年就诊经验，在鉴别诊断时能够凭借多年就诊经验和知识储备，迅速掌握疾病诊断的关键信息，并分析患者个体化差异，进而制定相应治疗方案或进一步检查方案。但即便如此，高年资医生仍难以避免关键信息遗漏和延误诊断等情况发生。同时，这些事关医疗质量和患者安全的问题，无时不刻考验着每一位医生的专业素养和责任心。

用大模型弥补人工短板

大模型技术（LLM）凭借其强大的语义理解和推理能力，在医疗领域的众多场景中展现了巨大的潜力。随着推理能力更加强大、资源消耗更少的DeepSeek的问世，更是极大地促进了医院本地化部署的进程。

据不完全统计，目前完成DeepSeek本地化部署的医院（点击此处了解医院部署案例）超过100家。在众多应用场景中，鉴别诊断是其中应用最广泛的智能体之一。

在实际临床应用过程中，通过点击【鉴别诊断】智能体，大模型能够根据患者既往史、体格检查、检查检验结果、医嘱信息等，自动分析疑似诊断并提供推荐依据。同时，基于DeepSeek的智能体还能够展示思考过程，供医生理解结果生成思路，并判断诊断结果是否符合实际。

根据患者各项信息，大模型能够根据可能性，对诊断结果进行排序，并结合检查检验结果等逐一排除各项诊断可能性。

以图中鉴别诊断结果为例，该名患者因呼吸困难入院，结合高血压、肾移植、糖尿病和冠脉支架植入术后病史，大模型给出了包括急性肺动脉栓塞、原发性高血压、高血压病3级（极高危）等初步诊断，以及急性心肌梗死、气胸、哮喘、肺炎等疾病的排除原因，并从患者信息中筛选出关键诊断依据。

能够实现【鉴别诊断】智能体，需要在大模型部署前期做好多项准备：

权威知识库：权威的知识库是大模型在学习、理解和推理过程中的重要依据和储备。只有知识库的医学文献、指南等足够权威、完整且持续更新，大模型才能调用相关信息，并生成最符合当下医学逻辑和技术的鉴别诊断。此外，权威知识库有效避免了“幻觉现象”的发生。

结构化病历：大模型在医学领域的应用需要大量结构化病历数据进行训练和学习，这决定了其是否能在临床应用。而持续提供结构化病历是大模型不断提升推理准确性的重要途径。

微调和优化：通过增强学习（RLHF）、检索增强生成（RAG）、监督微调（SFT）等技术对大模型进行微调和优化，是让大模型适应医疗场景的必经之路。恰当的微调能够让大模型的推理和生成过程更符合实际诊疗需求。

硬件支撑：对应不同参数、使用人数、成本预算等，医院在本地化部署时需要选择不同版本的服务器。通过高效的训练和微调，也能够有效降低大模型的算力需求，实现低成本高效率。（点击此处了解各大模型版本选择策略）

实际应用中，基于AI的临床决策支持系统（CDSS）与大模型技术相结合后，不仅解决了多源异构的医疗数据难以整合的弊端，还能够在临床不断生成结构化病历，为大模型的持续提升奠定了基础。在权威医学知识库的基础上，大模型通过CDSS的灵活交互窗口，可以在诊疗和管理各个关键环节提供决策支持。在医生需要鉴别诊断时，大模型可以帮助医生应对临床表现复杂多样、数据难以整合、检查手段和技术持续更新等现实情况，弥补医生的经验和知识局限性，辅助医生做出客观的医学判断。

提高鉴别诊断的准确性不仅是医生个人能力提升的关键，也是医疗机构整体医疗质量提升的重要一环。在人工智能快速发展的大环境下，利用大模型等技术提升医院整体医疗服务水平，将成为新一代智慧医院建设的重要阶段。

资料参考：

[1]杨秋玉,陆瑶,田晨,等.诊断试验准确性比较研究：研究设计[J].中国循证医学杂志,2022,22(06):739-744.

[2]刘芬.诊断试验研究在医学科研中的理论、设计和实践[J].北京医学,2020,42(11):1151-1155.DOI:10.15932/j.0253-9713.2020.11.027.