# 基于DeepSeek与LangGraph的智能病历数据库交互系统开发指南

最新推荐文章于 2025-04-02 17:07:41 发布

Ljugg

最新推荐文章于 2025-04-02 17:07:41 发布

阅读量326

点赞数 4

分类专栏：大模型文章标签： prompt easyui 前端

本文链接：https://blog.youkuaiyun.com/Ljugg/article/details/146117704

版权

大模型专栏收录该内容

5 篇文章

订阅专栏

基于DeepSeek与LangGraph的智能病历数据库交互系统开发指南

一、医疗AI技术栈构建

# 安装核心依赖
pip install langchain deepseek-coder psycopg2-binary python-dotenv sqlalchemy graphviz

# 环境变量配置（.env文件）
POSTGRES_MEDICAL_USER=med_user
POSTGRES_MEDICAL_PASSWORD=secure_med_pass
POSTGRES_MEDICAL_HOST=med-db-server
POSTGRES_MEDICAL_PORT=5432
POSTGRES_MEDICAL_DB=medical_records

二、病历数据库建模

from langchain.utilities import SQLDatabase

# 初始化医疗数据库连接
medical_db = SQLDatabase.from_uri(
    f"postgresql+psycopg2://{os.getenv('POSTGRES_MEDICAL_USER')}:"
    f"{os.getenv('POSTGRES_MEDICAL_PASSWORD')}@{os.getenv('POSTGRES_MEDICAL_HOST')}:"
    f"{os.getenv('POSTGRES_MEDICAL_PORT')}/{os.getenv('POSTGRES_MEDICAL_DB')}",
    include_tables=["patients", "diagnoses", "prescriptions"],
    sample_rows_in_table_info=3,
    custom_table_info="""
    patients: 患者主表
        id: 患者ID（主键）
        name: 患者姓名（脱敏处理）
        gender: 性别
        birth_date: 出生日期
        registration_date: 建档日期
    diagnoses: 诊断记录表
        id: 诊断ID（主键）
        patient_id: 患者ID（外键）
        diagnosis_date: 诊断日期
        diagnosis_code: ICD-11编码
        diagnosis_description: 诊断描述
    prescriptions: 处方记录表
        id: 处方ID（主键）
        patient_id: 患者ID（外键）
        prescription_date: 处方日期
        medication: 药物名称
        dosage: 剂量
    """
)

三、DeepSeek模型配置

from langchain.llms import DeepSeek

# 医疗专用模型配置
medical_llm = DeepSeek(
    model_name="deepseek-16b",
    temperature=0.6,
    max_tokens=4096,
    top_p=0.85,
    repetition_penalty=1.1,
    callbacks=[
        MedicalCallbackHandler()  # 自定义医疗合规回调
    ],
    medical_mode=True  # 启用医疗领域优化
)

四、LangGraph流程构建

from langchain.graphs import Graph
from langchain.chains import SQLDatabaseChain

# 构建医疗查询流程
medical_graph = Graph()

# 定义查询阶段
parse_step = medical_graph.add_node(
    "语义解析",
    MedicalQueryParser(llm=medical_llm)
)

sql_gen_step = medical_graph.add_node(
    "SQL生成",
    SQLDatabaseChain(
        llm=medical_llm,
        database=medical_db,
        use_query_checker=True,
        return_intermediate_steps=True
    )
)

execute_step = medical_graph.add_node(
    "数据库执行",
    MedicalDBExecutor(
        allowed_operations=["SELECT"],
        max_query_time=10  # 限制查询时间
    )
)

format_step = medical_graph.add_node(
    "结果格式化",
    MedicalResultFormatter(
        sensitive_fields=["name", "email"]  # 敏感字段脱敏
    )
)

# 连接流程节点
medical_graph.add_edge(parse_step, sql_gen_step)
medical_graph.add_edge(sql_gen_step, execute_step)
medical_graph.add_edge(execute_step, format_step)

五、核心功能实现

1. 多模态病历查询

# 自然语言查询示例
query = """
查找2024年1月至2024年3月期间，
年龄在50岁以上且诊断为糖尿病（ICD-11编码：FB80）的患者，
显示他们的最近一次处方信息
"""

# 执行查询流程
result = medical_graph.run({
    "input": query,
    "user": {
        "role": "physician",
        "department": "内分泌科"
    }
})

print("原始查询:", query)
print("脱敏结果:", result["formatted_output"])
print("执行日志:", result["execution_log"])

2. 上下文医疗对话

# 初始化对话历史
medical_session = MedicalSession(
    patient_id="P001",
    context={
        "last_diagnosis": "2型糖尿病",
        "allergies": ["青霉素"]
    }
)

# 连续对话示例
response1 = medical_graph.run({
    "input": "查看该患者最近的血糖检测记录",
    "session": medical_session
})

response2 = medical_graph.run({
    "input": "针对该患者的糖尿病，推荐合适的药物",
    "session": medical_session
})

3. 复杂医疗数据分析

# 多表关联查询
query = """
统计2023年度各科室糖尿病患者的平均年龄，
并按科室名称升序排列，
结果保留两位小数
"""

# 执行分析
analysis = medical_graph.run({
    "input": query,
    "security_level": "high"  # 高安全等级查询
})

# 生成可视化图表
plot = MedicalVisualizer().create_bar_chart(
    data=analysis["result"],
    title="科室糖尿病患者年龄分布"
)

六、医疗数据安全增强

1. 动态数据脱敏

from langchain.security import DynamicDataMasking

# 定义脱敏规则
masking_strategy = DynamicDataMasking(
    fields={
        "patients.name": lambda x: f"患者{x[-4:]}",
        "patients.ssn": "***-**-****",
        "prescriptions.dosage": lambda x: round(x * 0.8, 1)  # 剂量调整
    },
    exceptions=[
        {"role": "admin", "allowed_fields": ["*"]}
    ]
)

# 应用脱敏策略
medical_db = SQLDatabase.from_uri(
    connection_uri,
    data_masking=masking_strategy
)

2. 医疗合规审计

from langchain.callbacks import AuditCallbackHandler

# 初始化审计日志
medical_chain = SQLDatabaseChain(
    llm=medical_llm,
    database=medical_db,
    callbacks=[
        AuditCallbackHandler(
            log_path="medical_audits.json",
            required_fields=["user_role", "query_time", "affected_rows"]
        )
    ]
)

3. 细粒度权限控制

# 创建角色权限映射
role_permissions = {
    "resident_doctor": {
        "allowed_tables": ["patients", "diagnoses"],
        "denied_columns": ["patients.ssn", "prescriptions.medication"]
    },
    "specialist": {
        "allowed_tables": ["*"],
        "required_approvers": ["department_head"]
    }
}

# 初始化权限系统
medical_db = SQLDatabase.from_uri(
    connection_uri,
    permissions=role_permissions
)

七、完整系统集成

# 完整实现代码
from langchain.graphs import Graph
from langchain.llms import DeepSeek
from langchain.utilities import SQLDatabase
from dotenv import load_dotenv
import os

load_dotenv()

# 初始化医疗数据库
medical_db = SQLDatabase.from_uri(
    f"postgresql+psycopg2://{os.getenv('POSTGRES_MEDICAL_USER')}:"
    f"{os.getenv('POSTGRES_MEDICAL_PASSWORD')}@{os.getenv('POSTGRES_MEDICAL_HOST')}:"
    f"{os.getenv('POSTGRES_MEDICAL_PORT')}/{os.getenv('POSTGRES_MEDICAL_DB')}",
    custom_table_info=MEDICAL_SCHEMA_DESCRIPTION,
    data_masking=MEDICAL_MASKING_STRATEGY
)

# 配置医疗专用模型
medical_llm = DeepSeek(
    model_name="deepseek-16b",
    temperature=0.6,
    medical_mode=True,
    callbacks=[MedicalAuditCallback()]
)

# 构建查询流程
medical_graph = Graph()
medical_graph.add_nodes_from([
    ("解析", MedicalQueryParser()),
    ("生成SQL", SQLDatabaseChain(llm=medical_llm, database=medical_db)),
    ("执行", MedicalDBExecutor()),
    ("格式化", MedicalResultFormatter())
])

medical_graph.add_edges_from([
    ("解析", "生成SQL"),
    ("生成SQL", "执行"),
    ("执行", "格式化")
])

# 执行医疗查询
query = "查找心内科2024年Q1急性心肌梗死患者的平均年龄"
result = medical_graph.run({
    "input": query,
    "user": {"role": "cardiologist"}
})

# 输出结果
print("查询结果:", result["formatted_output"])
print("执行时间:", result["execution_time"])

八、医疗场景扩展

1. 临床决策支持

from langchain.chains import LLMChain

# 创建治疗建议链
treatment_chain = LLMChain(
    llm=medical_llm,
    prompt=PromptTemplate(
        input_variables=["diagnosis", "patient_info"],
        template="根据{diagnosis}诊断和{patient_info}，"
                 "请提供三个治疗建议方案"
    )
)

# 结合数据库查询
diagnosis_result = medical_graph.run("查询患者P001的最新诊断结果")
treatment_suggestions = treatment_chain.run(
    diagnosis=diagnosis_result["result"],
    patient_info="65岁男性，有高血压病史"
)

2. 自动化报告生成

from langchain.chains import SequentialChain

# 定义报告生成流程
report_chain = SequentialChain(
    chains=[
        medical_graph,
        ReportGeneratorChain(
            template_path="medical_report_template.docx"
        )
    ],
    input_variables=["medical_query"],
    output_variables=["generated_report"]
)

# 生成完整报告
final_report = report_chain.run({
    "medical_query": "生成2023年度糖尿病患者统计报告"
})

九、医疗合规最佳实践

数据最小化原则：

medical_db = SQLDatabase.from_uri(
    connection_uri,
    minimal_columns=True  # 仅加载必要字段
)

传输加密：

from sqlalchemy.engine import create_engine

engine = create_engine(
    connection_uri,
    connect_args={
        "sslmode": "verify-full",
        "sslrootcert": "root.crt"
    }
)

会话超时控制：

medical_session = MedicalSession(
    timeout=30,  # 30分钟无操作自动注销
    max_attempts=5  # 密码错误限制
)

通过该系统，医疗工作者可以安全高效地进行：

复杂病历检索
多维度数据分析
临床决策支持
自动化报告生成

建议在实际部署中：

定期更新医疗术语知识库
实施模型输出人工审核机制
部署入侵检测系统（IDS）监控数据库访问
定期进行合规性审计

这种技术组合不仅能提升医疗数据的利用效率，更能为精准医疗提供有力支撑。随着医疗大模型的不断发展，该系统将成为智能医疗生态的重要组成部分。