簡(jiǎn)介這是一套面向Java Web初學(xué)者與高校課程設(shè)計(jì)者的中醫(yī)智能診斷項(xiàng)目源碼以SpringBoot搭建簡(jiǎn)約大氣的百科查詢(xún)式界面并接入阿里通義千問(wèn)大模型充當(dāng)智能醫(yī)生實(shí)現(xiàn)中醫(yī)知識(shí)咨詢(xún)與輔助診斷適合項(xiàng)目答辯、畢業(yè)設(shè)計(jì)或AIGC入門(mén)練手。壓縮包共17個(gè)文件約94.13MB包含5個(gè)Python腳本、4個(gè)文本說(shuō)明、2個(gè)dat人臉關(guān)鍵點(diǎn)模型、2份md文檔以及mp4、mp3、avi演示素材和index索引文件覆蓋前端交互、模型調(diào)用與養(yǎng)生知識(shí)庫(kù)等模塊。目前已有125人學(xué)習(xí)下載。讀者可從中獲得完整可運(yùn)行的項(xiàng)目結(jié)構(gòu)、大模型API調(diào)用示例、人臉特征點(diǎn)檢測(cè)與rPPG相關(guān)腳本以及配套演示視頻與說(shuō)明文檔便于快速理解AIGC與傳統(tǒng)醫(yī)學(xué)結(jié)合的落地思路并在此基礎(chǔ)上二次開(kāi)發(fā)或撰寫(xiě)論文。1. 從一份中醫(yī)診斷系統(tǒng)壓縮包說(shuō)起大模型到底能診什么把「一個(gè)基于AI大模型的中醫(yī)診斷系統(tǒng).zip」解壓后多數(shù)人第一反應(yīng)是找模型權(quán)重第二反應(yīng)是找問(wèn)診入口第三反應(yīng)是發(fā)現(xiàn)真正難的不是模型而是怎么把「望聞問(wèn)切」翻譯成模型能吃的輸入。中醫(yī)診斷的核心鏈路是四診合參望診看舌象面色聞診聽(tīng)聲息氣味問(wèn)診收集主訴與病史切診取脈象。大模型能直接處理的是問(wèn)診文本能間接處理的是舌象圖像和脈象時(shí)序信號(hào)而「辨證論治」這一步本質(zhì)是一個(gè)帶強(qiáng)領(lǐng)域約束的推理任務(wù)。這個(gè)系統(tǒng)要解決的不是替代中醫(yī)師而是把結(jié)構(gòu)化問(wèn)診、舌象特征提取、證型推理和方劑推薦串成一條可復(fù)現(xiàn)的工程鏈路。適合誰(shuí)做有 Python 基礎(chǔ)、想跑通一個(gè)垂直領(lǐng)域大模型應(yīng)用落地的開(kāi)發(fā)者以及想把中醫(yī)診斷流程數(shù)字化的從業(yè)者。32G 內(nèi)存能裝 AI 大模型嗎能但只能跑量化后的 7B 級(jí)別模型這是后面部署章節(jié)要算的賬。2. 中醫(yī)診斷系統(tǒng)的大模型選型7B、13B 還是 API 調(diào)用2.1 為什么中醫(yī)辨證不適合直接套通用大模型通用大模型在中醫(yī)辨證上的最大問(wèn)題是「證型漂移」。你輸入「舌紅苔黃、脈數(shù)、口渴」它可能給你輸出「陰虛火旺」也可能輸出「實(shí)熱證」甚至混著說(shuō)。原因在于中醫(yī)證型之間不是互斥分類(lèi)而是有兼證、轉(zhuǎn)化和主次關(guān)系。通用模型的訓(xùn)練語(yǔ)料里中醫(yī)數(shù)據(jù)占比極低它對(duì)「肝郁脾虛」和「肝胃不和」的邊界沒(méi)有穩(wěn)定認(rèn)知。常見(jiàn)做法是用通用大模型做問(wèn)診對(duì)話(huà)和癥狀歸一化用微調(diào)或 RAG 做證型推理兩者分開(kāi)。我一般會(huì)把證型推理做成「檢索 約束解碼」先從證型知識(shí)庫(kù)召回候選證型再讓模型在候選集里選而不是讓它自由生成。另一個(gè)坑是術(shù)語(yǔ)標(biāo)準(zhǔn)化。用戶(hù)說(shuō)「拉肚子」系統(tǒng)得映射到「泄瀉」用戶(hù)說(shuō)「睡不著」得映射到「不寐」。這一步不做后面檢索和推理全是噪聲。中醫(yī)診斷系統(tǒng)里癥狀歸一化模塊的準(zhǔn)確率直接決定最終辨證質(zhì)量比換更大的模型更有效。2.2 本地部署 7B 量化模型的最小配置與命令如果走本地路線(xiàn)32G 內(nèi)存的機(jī)器可以跑 7B 的 4-bit 量化模型。用 llama.cpp 或 Ollama 都行這里給一個(gè) llama.cpp 的加載命令適合已經(jīng)轉(zhuǎn)成 GGUF 格式的模型文件。# 加載 7B 4-bit 量化模型上下文 4096CPU 推理 ./llama-cli \ -m ./models/qwen2-7b-instruct-q4_k_m.gguf \ -c 4096 \ -n 512 \ --temp 0.3 \ --top-p 0.9 \ -p 你是一名中醫(yī)師請(qǐng)根據(jù)以下癥狀進(jìn)行辨證舌紅苔黃脈數(shù)口渴喜冷飲小便短赤。這段命令里-c 4096是上下文長(zhǎng)度中醫(yī)問(wèn)診多輪對(duì)話(huà)建議不低于 4096--temp 0.3是溫度辨證任務(wù)要低溫度保證穩(wěn)定不要用默認(rèn)的 0.8--top-p 0.9控制采樣范圍。-n 512是最大生成 token 數(shù)方劑推薦一般夠用。如果內(nèi)存吃緊把-c降到 2048但多輪問(wèn)診會(huì)丟歷史。量化等級(jí)選q4_k_m是精度和內(nèi)存的平衡點(diǎn)q3以下辨證質(zhì)量下降明顯血淚經(jīng)驗(yàn)是別省這點(diǎn)內(nèi)存。2.3 用 API 調(diào)用大模型做問(wèn)診對(duì)話(huà)的取舍如果本地機(jī)器只有 16G 內(nèi)存或者不想折騰量化走 API 是更現(xiàn)實(shí)的選擇。API 路線(xiàn)的優(yōu)勢(shì)是模型能力強(qiáng)、無(wú)需維護(hù)劣勢(shì)是數(shù)據(jù)出域和調(diào)用成本。中醫(yī)問(wèn)診涉及用戶(hù)健康信息如果做的是內(nèi)部工具或研究原型API 可以接受如果面向真實(shí)用戶(hù)得考慮數(shù)據(jù)合規(guī)。代碼上用 OpenAI 兼容接口調(diào)用的最小示例如下。from openai import OpenAI client OpenAI( api_keyyour-api-key, base_urlhttps://api.example.com/v1 # 替換為實(shí)際兼容接口地址 ) def consult(symptoms: str) - str: resp client.chat.completions.create( modelqwen2-7b-instruct, messages[ {role: system, content: 你是一名中醫(yī)師請(qǐng)按四診合參進(jìn)行辨證輸出證型、治法、代表方劑。}, {role: user, content: symptoms} ], temperature0.3, max_tokens512 ) return resp.choices[0].message.content print(consult(舌紅苔黃脈數(shù)口渴喜冷飲小便短赤。))這里temperature0.3和本地部署邏輯一致辨證任務(wù)不要高溫度。system提示詞里明確要求輸出結(jié)構(gòu)否則模型會(huì)寫(xiě)成散文。實(shí)際項(xiàng)目中我會(huì)在system里加一句「如果癥狀不足以辨證請(qǐng)追問(wèn)缺失信息」這樣多輪問(wèn)診才能跑起來(lái)。API 和本地部署不是二選一常見(jiàn)做法是問(wèn)診對(duì)話(huà)走 API證型推理走本地小模型加知識(shí)庫(kù)兼顧體驗(yàn)和成本。3. 把四診數(shù)據(jù)喂給大模型問(wèn)診結(jié)構(gòu)化與舌象特征提取3.1 問(wèn)診文本的結(jié)構(gòu)化抽取與癥狀歸一化大模型拿到一段自由文本問(wèn)診記錄第一步是抽癥狀。比如「最近老覺(jué)得累吃飯沒(méi)胃口大便不成形早上起來(lái)嘴里發(fā)苦」需要抽成{疲勞, 納差, 便溏, 口苦}。這一步用大模型做 few-shot 抽取效果穩(wěn)定關(guān)鍵是給足示例。下面是一個(gè)可復(fù)用的抽取函數(shù)。import json EXTRACT_PROMPT 從以下問(wèn)診文本中抽取中醫(yī)癥狀輸出 JSON 數(shù)組每個(gè)癥狀用標(biāo)準(zhǔn)中醫(yī)術(shù)語(yǔ)。 示例輸入最近老覺(jué)得累吃飯沒(méi)胃口大便不成形 示例輸出[疲勞, 納差, 便溏] 現(xiàn)在輸入{text} 只輸出 JSON不要解釋。 def extract_symptoms(text: str) - list: resp client.chat.completions.create( modelqwen2-7b-instruct, messages[{role: user, content: EXTRACT_PROMPT.format(texttext)}], temperature0.1, max_tokens256 ) raw resp.choices[0].message.content.strip() # 去掉可能的 markdown 代碼塊標(biāo)記 raw raw.replace(json, ).replace(, ).strip() return json.loads(raw)temperature0.1是抽取任務(wù)的標(biāo)準(zhǔn)配置越低越穩(wěn)定。max_tokens256對(duì)單次問(wèn)診夠用。這里有個(gè)坑模型有時(shí)會(huì)在 JSON 前后加「好的以下是抽取結(jié)果」這類(lèi)廢話(huà)所以代碼里做了replace清洗。更穩(wěn)的做法是用 JSON mode 或 function calling但需要模型支持。癥狀歸一化還需要一張同義詞表比如「拉肚子→泄瀉」「睡不著→不寐」這張表建議人工維護(hù)不要指望模型自己對(duì)齊。3.2 舌象圖像的特征提取與量化描述舌象是望診的核心。大模型本身不直接處理圖像除非用多模態(tài)模型。常見(jiàn)做法是先用 CV 模型提取舌色、苔色、苔厚、裂紋等特征再把特征轉(zhuǎn)成文本描述喂給大模型。舌色分類(lèi)可以用一個(gè)輕量 CNN苔厚可以用分割后的面積比。下面是一個(gè)用 OpenCV 做舌體區(qū)域提取和顏色統(tǒng)計(jì)的示例。import cv2 import numpy as np def extract_tongue_features(img_path: str) - dict: img cv2.imread(img_path) img cv2.resize(img, (512, 512)) hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 舌體區(qū)域大致在圖像中央用橢圓掩膜粗定位 mask np.zeros(img.shape[:2], dtypenp.uint8) cv2.ellipse(mask, (256, 256), (180, 220), 0, 0, 360, 255, -1) tongue cv2.bitwise_and(img, img, maskmask) # 統(tǒng)計(jì)舌體區(qū)域的平均色調(diào)和飽和度 h_mean hsv[:, :, 0][mask 255].mean() s_mean hsv[:, :, 1][mask 255].mean() v_mean hsv[:, :, 2][mask 255].mean() return {hue: round(h_mean, 1), saturation: round(s_mean, 1), value: round(v_mean, 1)}這段代碼是粗定位實(shí)際項(xiàng)目里舌體分割要用 U-Net 或 SAM 微調(diào)否則背景干擾很大。hue均值可以粗略區(qū)分淡白舌、紅舌、絳舌saturation輔助判斷苔的厚薄。提取完特征后映射成文本「舌色偏紅苔黃膩舌體胖大」。這個(gè)文本再和問(wèn)診癥狀拼在一起送進(jìn)大模型。注意舌象特征提取的誤差會(huì)直接傳導(dǎo)到辨證結(jié)果所以舌象模塊的驗(yàn)證要單獨(dú)做不能只看端到端效果。3.3 脈象信號(hào)的時(shí)序特征與文本化脈象是最難數(shù)字化的。如果系統(tǒng)接的是脈象儀拿到的是壓力時(shí)序信號(hào)需要提取脈率、脈律、脈位、脈勢(shì)等特征。常見(jiàn)做法是算主波頻率、波峰間隔方差、上升支斜率。下面是一個(gè)從脈象信號(hào)提取基礎(chǔ)特征的示例。import numpy as np from scipy.signal import find_peaks def pulse_features(signal: np.ndarray, fs: int 200) - dict: # signal 是壓力傳感器采集的一維時(shí)序 peaks, _ find_peaks(signal, distancefs*0.3, prominence0.1) if len(peaks) 2: return {rate: 0, rhythm_cv: 0, amplitude_mean: 0} intervals np.diff(peaks) / fs # 峰間隔單位秒 rate 60.0 / intervals.mean() # 脈率次/分 rhythm_cv intervals.std() / intervals.mean() # 節(jié)律變異系數(shù) amplitude_mean signal[peaks].mean() return { rate: round(rate, 1), rhythm_cv: round(rhythm_cv, 3), amplitude_mean: round(amplitude_mean, 3) }fs200是采樣率實(shí)際按設(shè)備改。distancefs*0.3假設(shè)最小峰間隔 0.3 秒對(duì)應(yīng)脈率上限 200 次/分。rhythm_cv大于 0.1 提示脈律不齊對(duì)應(yīng)中醫(yī)的「結(jié)代脈」。這些數(shù)值再映射成文本「脈率 78 次/分節(jié)律整齊脈勢(shì)中等」。脈象模塊的坑在于個(gè)體差異大同一人不同時(shí)間測(cè)都有波動(dòng)所以脈象特征只能作為輔助不能作為辨證主依據(jù)。4. 證型推理與方劑推薦RAG 加約束解碼的落地方式4.1 用證型知識(shí)庫(kù)做檢索增強(qiáng)的完整流程證型推理不能靠模型自由發(fā)揮得用知識(shí)庫(kù)約束。流程是癥狀列表 → 向量檢索召回候選證型 → 大模型在候選集內(nèi)推理 → 輸出證型和置信度。先建證型知識(shí)庫(kù)每條包含證型名、主癥、兼癥、舌脈、治法、代表方。下面是一個(gè)用 sentence-transformers 做檢索的示例。from sentence_transformers import SentenceTransformer import numpy as np model SentenceTransformer(shibing624/text2vec-base-chinese) # 證型知識(shí)庫(kù)實(shí)際項(xiàng)目從數(shù)據(jù)庫(kù)加載 syndromes [ {name: 肝郁脾虛, symptoms: 脅脹作痛情志抑郁腹脹便溏舌淡苔白脈弦細(xì)}, {name: 脾胃濕熱, symptoms: 脘腹痞滿(mǎn)口苦口黏大便不爽舌紅苔黃膩脈滑數(shù)}, {name: 陰虛火旺, symptoms: 潮熱盜汗口干咽燥舌紅少苔脈細(xì)數(shù)}, ] corpus [s[symptoms] for s in syndromes] emb model.encode(corpus, normalize_embeddingsTrue) def retrieve(query: str, top_k: int 2) - list: q model.encode([query], normalize_embeddingsTrue) scores (emb q.T).flatten() idx np.argsort(scores)[::-1][:top_k] return [syndromes[i] for i in idx]normalize_embeddingsTrue讓余弦相似度退化成點(diǎn)積計(jì)算更快。top_k2是召回候選數(shù)實(shí)際項(xiàng)目建議 3 到 5太少容易漏太多干擾推理。檢索到的候選證型拼進(jìn) prompt讓模型做最終判斷。這里的關(guān)鍵是檢索質(zhì)量決定上限如果知識(shí)庫(kù)覆蓋不全模型再?gòu)?qiáng)也選不出正確證型。4.2 約束解碼讓模型只在候選證型里選約束解碼是保證輸出可控的核心手段。最簡(jiǎn)單的做法是在 prompt 里明確列出候選并要求只輸出候選之一。更嚴(yán)格的做法是用 logits processor 限制 token 范圍但實(shí)現(xiàn)復(fù)雜。對(duì)多數(shù)項(xiàng)目prompt 約束加后處理校驗(yàn)就夠了。def diagnose(symptoms: list, candidates: list) - dict: cand_str \n.join([f- {c[name]}{c[symptoms]} for c in candidates]) prompt f根據(jù)以下癥狀從候選證型中選擇最匹配的一個(gè)。 癥狀{.join(symptoms)} 候選證型 {cand_str} 要求只輸出證型名稱(chēng)和一句話(huà)理由格式為「證型xxx理由xxx」。 resp client.chat.completions.create( modelqwen2-7b-instruct, messages[{role: user, content: prompt}], temperature0.1, max_tokens128 ) text resp.choices[0].message.content.strip() # 后處理校驗(yàn)輸出必須在候選集內(nèi) for c in candidates: if c[name] in text: return {syndrome: c[name], raw: text} return {syndrome: None, raw: text} # 校驗(yàn)失敗觸發(fā)人工或重試后處理校驗(yàn)這步不能省。模型有時(shí)會(huì)輸出候選集外的證型或者把兩個(gè)證型拼在一起。校驗(yàn)失敗時(shí)常見(jiàn)做法是降級(jí)到規(guī)則匹配或返回「需人工復(fù)核」。temperature0.1配合候選約束實(shí)測(cè)穩(wěn)定性比自由生成高很多。4.3 方劑推薦與劑量安全邊界證型確定后方劑推薦從知識(shí)庫(kù)直接映射不要讓模型自由生成方劑。原因很簡(jiǎn)單方劑組成和劑量有嚴(yán)格規(guī)范模型生成容易出「看起來(lái)合理但實(shí)際不對(duì)」的方子。做法是證型到方劑的映射表模型只負(fù)責(zé)在多個(gè)候選方劑里根據(jù)兼癥做選擇。FORMULA_DB { 肝郁脾虛: {formula: 逍遙散, herbs: 柴胡、當(dāng)歸、白芍、白術(shù)、茯苓、甘草、薄荷、生姜}, 脾胃濕熱: {formula: 連樸飲, herbs: 黃連、厚樸、石菖蒲、半夏、梔子、蘆根}, 陰虛火旺: {formula: 知柏地黃丸, herbs: 知母、黃柏、熟地、山茱萸、山藥、茯苓、澤瀉、丹皮}, } def recommend(syndrome: str) - dict: return FORMULA_DB.get(syndrome, {formula: None, herbs: None})劑量安全邊界必須寫(xiě)進(jìn)系統(tǒng)提示系統(tǒng)只做方劑推薦不給具體克數(shù)或者只給常規(guī)范圍并標(biāo)注「需醫(yī)師確認(rèn)」。這是合規(guī)底線(xiàn)也是技術(shù)上的后悔藥——一旦模型給出超量劑量責(zé)任無(wú)法界定。實(shí)際項(xiàng)目中我會(huì)在輸出層加一個(gè)劑量白名單校驗(yàn)超出范圍直接攔截。5. 部署與性能32G 內(nèi)存跑本地大模型的避坑記錄5.1 量化等級(jí)與內(nèi)存占用的實(shí)測(cè)對(duì)照32G 內(nèi)存能裝 AI 大模型但裝什么級(jí)別、跑什么量化直接決定能不能用。下面是一組實(shí)測(cè)對(duì)照模型以 7B 為例。量化等級(jí)模型文件大小加載后內(nèi)存占用辨證可用性q8_0約 7.5G約 9G最好接近原始精度q5_k_m約 5.1G約 6.5G好日常夠用q4_k_m約 4.1G約 5.5G可用推薦起點(diǎn)q3_k_m約 3.3G約 4.5G辨證開(kāi)始漂移q2_k約 2.6G約 3.8G不建議輸出不穩(wěn)定32G 內(nèi)存跑 q4_k_m 的 7B 模型加上向量檢索和 Web 服務(wù)總占用在 12G 到 15G留有余量。如果跑 13B 的 q4 模型加載后約 9G加上其他模塊接近 18G也能跑但推理速度明顯下降。血淚經(jīng)驗(yàn)是內(nèi)存不是唯一瓶頸CPU 推理速度才是。7B q4 在普通臺(tái)式機(jī)上大概 8 到 15 token/秒多輪問(wèn)診等待感明顯。如果要做實(shí)時(shí)對(duì)話(huà)得考慮 GPU 或 API。5.2 推理速度優(yōu)化批處理、上下文裁剪與緩存本地推理慢優(yōu)化手段有限但有效。第一控制上下文長(zhǎng)度多輪問(wèn)診只保留最近 3 輪歷史癥狀用摘要代替原文。第二證型檢索和方劑映射不走大模型走向量檢索和查表省掉大量推理。第三相同癥狀組合做結(jié)果緩存中醫(yī)問(wèn)診里重復(fù)癥狀組合很常見(jiàn)。from functools import lru_cache lru_cache(maxsize256) def cached_diagnose(symptoms_tuple: tuple) - str: symptoms list(symptoms_tuple) candidates retrieve(.join(symptoms), top_k3) result diagnose(symptoms, candidates) return result[syndrome] or 需人工復(fù)核lru_cache用癥狀元組做 key注意癥狀順序會(huì)影響緩存命中實(shí)際項(xiàng)目里可以先排序再緩存。maxsize256按內(nèi)存調(diào)整。這個(gè)優(yōu)化在重復(fù)問(wèn)診場(chǎng)景下能省掉 30% 以上的推理調(diào)用。另一個(gè)坑是模型加載后不要頻繁重啟每次重啟加載模型要幾十秒Web 服務(wù)里用全局單例持有模型實(shí)例。5.3 服務(wù)化部署的最小 FastAPI 示例把診斷鏈路包成 HTTP 服務(wù)方便前端調(diào)用。下面是一個(gè)最小 FastAPI 示例。from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class ConsultRequest(BaseModel): text: str class ConsultResponse(BaseModel): symptoms: list syndrome: str formula: str app.post(/consult, response_modelConsultResponse) def consult(req: ConsultRequest): symptoms extract_symptoms(req.text) candidates retrieve(.join(symptoms), top_k3) result diagnose(symptoms, candidates) formula recommend(result[syndrome]) if result[syndrome] else {} return ConsultResponse( symptomssymptoms, syndromeresult[syndrome] or 需人工復(fù)核, formulaformula.get(formula, ) )response_model做輸出校驗(yàn)避免模型返回的臟數(shù)據(jù)直接透?jìng)鳌?shí)際部署時(shí)模型加載放在startup事件里不要放在請(qǐng)求處理函數(shù)里否則每次請(qǐng)求都重新加載。uvicorn啟動(dòng)命令加--workers 1因?yàn)槟Ｐ蛯?shí)例不能多進(jìn)程共享多 worker 會(huì)爆內(nèi)存。6. 辨證結(jié)果怎么驗(yàn)證三個(gè)可操作的評(píng)估技巧6.1 用留出法測(cè)證型推理的命中率系統(tǒng)做完不能只看幾個(gè) case 覺(jué)得「挺準(zhǔn)」得有量化評(píng)估。最直接的是留出法從證型知識(shí)庫(kù)里留出 20% 的條目用它們的癥狀描述做測(cè)試看檢索加推理能不能命中正確證型。注意測(cè)試癥狀要去掉證型名和方劑名否則是作弊。命中率低于 70% 時(shí)優(yōu)先查知識(shí)庫(kù)覆蓋和癥狀歸一化而不是換模型。def evaluate(test_cases: list) - float: hit 0 for case in test_cases: symptoms case[symptoms].split() candidates retrieve(.join(symptoms), top_k3) result diagnose(symptoms, candidates) if result[syndrome] case[name]: hit 1 return hit / len(test_cases)top_k3時(shí)如果正確證型沒(méi)進(jìn)候選集后面推理再?gòu)?qiáng)也沒(méi)用。所以評(píng)估要分兩段先看召回率再看推理準(zhǔn)確率。召回率低就補(bǔ)知識(shí)庫(kù)推理準(zhǔn)確率低就調(diào) prompt 或換模型。6.2 用一致性檢查發(fā)現(xiàn)證型漂移同一個(gè)癥狀組合換不同問(wèn)診順序或加無(wú)關(guān)癥狀看輸出證型是否穩(wěn)定。這是發(fā)現(xiàn)「玄學(xué)」問(wèn)題的有效手段。做法是構(gòu)造擾動(dòng)集原癥狀、打亂順序、加一個(gè)無(wú)關(guān)癥狀、去掉一個(gè)次要癥狀分別跑診斷統(tǒng)計(jì)證型一致率。一致率低于 80% 說(shuō)明系統(tǒng)對(duì)輸入擾動(dòng)太敏感通常是 prompt 約束不夠或溫度偏高。擾動(dòng)類(lèi)型預(yù)期行為異常信號(hào)癥狀順序打亂證型不變證型跳變說(shuō)明模型依賴(lài)位置加無(wú)關(guān)癥狀證型不變或兼證提示主證型改變說(shuō)明約束不足去次要癥狀證型不變證型改變說(shuō)明知識(shí)庫(kù)邊界模糊這個(gè)檢查不需要標(biāo)注數(shù)據(jù)自己構(gòu)造幾十條就能跑性?xún)r(jià)比很高。6.3 人工復(fù)核隊(duì)列與置信度閾值系統(tǒng)再穩(wěn)也有邊界得留人工復(fù)核入口。做法是給每次診斷算一個(gè)置信度檢索相似度低于閾值、或后處理校驗(yàn)失敗、或證型在候選集里得分接近都進(jìn)復(fù)核隊(duì)列。置信度可以用檢索相似度加模型輸出概率近似簡(jiǎn)單點(diǎn)就用檢索 top1 和 top2 的分差。def confidence(scores: list) - float: # scores 是檢索相似度降序列表 if len(scores) 2: return scores[0] if scores else 0.0 return scores[0] - scores[1] # 分差越大越自信分差小于 0.05 時(shí)進(jìn)復(fù)核隊(duì)列。這個(gè)閾值按實(shí)際數(shù)據(jù)調(diào)沒(méi)有萬(wàn)能值。我一般會(huì)先跑一批歷史數(shù)據(jù)看分差分布再定閾值。復(fù)核隊(duì)列不是失敗而是系統(tǒng)設(shè)計(jì)的一部分——中醫(yī)診斷本身就需要醫(yī)師確認(rèn)系統(tǒng)定位是輔助不是替代。做這個(gè)方向兩年最大的教訓(xùn)是別在模型選型上糾結(jié)太久證型知識(shí)庫(kù)的質(zhì)量和癥狀歸一化的準(zhǔn)確率才是決定系統(tǒng)能不能用的關(guān)鍵。我見(jiàn)過(guò)太多人花兩周調(diào)模型結(jié)果知識(shí)庫(kù)只有幾十條辨證全靠模型自由發(fā)揮最后效果一塌糊涂。先把知識(shí)庫(kù)建到幾百條把同義詞表維護(hù)好再回頭調(diào)模型順序反了就是白費(fèi)功夫。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取