医疗大模型高频名词释义：带你快速掌握核心术语

医疗大模型正在改变诊疗流程，但一堆专业术语让人眼花缭乱。下面用场景化解释把高频名词说清楚。

基础技术类：模型怎么构建与运作

预训练

是指在海量通用数据上训练一个基础模型，让它具备语言理解与生成能力。比如用几百GB的医学论文、教材、病历脱敏数据训练一个基座模型。预训练阶段不关注具体任务，而是让模型学会词语关系、句子结构。这一步成本极高，通常由大型机构完成，之后其他团队可在此基础上微调。

微调

指用特定领域小规模数据对预训练模型做参数调整，让它更适应医疗场景。例如用几千份放射科报告微调模型，使其能准确生成影像结论。微调不需要从头训练，大大降低了门槛。2026年很多医院开始尝试用内部数据微调开源大模型。

提示工程

通过设计输入文本（提示词）来引导模型输出想要的结果。比如在问诊场景中，提示词可以写成“你是一位呼吸科医生，请根据以下症状列出可能的病因”。提示工程的好坏直接影响回答质量，好的提示能让模型避开幻觉。

多模态

指模型能同时处理文本、图像、声音等多种数据。医疗领域尤其需要多模态——CT影像搭配诊断报告，病理切片图加上描述文字。多模态模型能跨模态对比，比如看眼底照片同时读病历，辅助更精准的判断。

数据与知识类：模型吃什么、学什么

电子病历结构化

将非结构化的病历文本（如医生手写记录）转化为标准化的数据字段，比如诊断编码、用药记录。这是模型能利用真实临床数据的前提。2026年许多区域医疗中心仍在推进病历结构化，数据质量参差不齐是主要难点。

医学知识图谱

一个由疾病、症状、药物、检查等实体以及它们之间关系组成的网状知识库。例如“糖尿病”关联“多饮多尿”症状和“胰岛素”药物。知识图谱可帮助模型检索事实、减少幻觉，也能辅助诊断推理。

脱敏与隐私合规

在训练模型前，必须去除患者姓名、身份证号等可识别信息，并符合《个人信息保护法》等法规。脱敏不是简单替换，还要防止通过组合字段反推身份。这是医疗大模型落地的硬约束。

数据增强

通过旋转、裁剪医学图像，或同义词替换文本，来扩充有限的数据集。医疗标注数据稀缺又昂贵，数据增强能模拟更多变异情况，提高模型泛化能力。

临床应用类：模型在诊室怎么用

辅助诊断系统

基于医疗大模型构建的决策支持工具，输入患者主诉、检查结果，输出可能的疾病列表及检查建议。注意它只是“辅助”，最终判断仍由医生负责。2026年不少三甲医院试点部署这类系统，主要用在分诊和罕见病提示。

药物发现加速

利用模型预测分子结构与靶点蛋白的相互作用，筛选候选药物。传统新药研发耗时十年以上，大模型可以把先导化合物筛选周期从数月缩短到数周。不过预测结果仍需要实验室验证。

智能病历生成

通过医患对话录音或笔记，自动生成结构化病历草稿。医生只需复核修改，节省大量文书时间。目前主要问题是模型可能遗漏关键阴性描述，需要人工补充。

患者对话机器人

用于院外随访、健康咨询、预约挂号的对话系统。大模型让机器人能理解更复杂的意图，比如“我妈妈血压高，最近头晕，需要看神经内科吗？”但涉及紧急症状时，系统必须及时建议就医。

挑战与伦理类：有哪些坑要避开

幻觉

模型编造出看似合理但实际错误的信息。在医疗领域后果严重——比如建议错误的用药剂量。幻觉源于模型对概率的盲目追求，目前还没有根治方法，只能通过检索增强生成（RAG）等方式缓解。

可解释性

指模型如何得出某个结论。医疗决策需要医生理解推理过程，但大模型往往是“黑箱”。可解释性不足导致医生不敢采纳模型建议。一些研究用注意力机制或基于规则的层来部分解决，但距离临床要求还很远。

联邦学习

一种模型训练方式：多家医院不共享原始数据，只在本地训练模型参数，然后加密上传到中心服务器合成全局模型。联邦学习能保护数据隐私，但通信开销大，且不同医院数据分布差异会影响效果。

数据偏斜

训练数据如果主要来自三甲医院，模型可能对基层常见病效果差。另外种族、地域、年龄分布不均衡会导致偏见——比如对某种肤色的患者误诊率更高。缓解办法是收集多样化的数据，并在部署前做针对性测试。

责任归属

当模型辅助诊断出现错误，责任在医生、开发者还是医院？法规尚不明确。2026年部分地区开始试点“人机协同”责任框架，核心原则仍是医生最终决策。

常见问题