“天医”大模型终极解析指南（超详细）：南中医SOTA力作，一文看懂知识图谱如何增强中医AI！

Tianyi: A Traditional Chinese Medicine All-Rounder Language Model and Its Real-World Clinical Practice

摘要

本文介绍了一款专为中医（TCM）设计的7.6亿参数大语言模型（LLM）—天医。该模型通过多样化的中医语料库训练，结合渐进式领域知识增强框架，在中医临床实践和研究中展现出巨大潜力。本文还推出了TCMEval评估体系，全面验证天医在中医领域的应用能力。该研究创新性地以中医辨证论治逻辑体系为指导，首次系统构建了基于“读书-临证-跟师”的多阶段训练策略的中医大语言模型-天医。天医在知识问答、病因分析、证候诊断、治法决策、处方组合、中医临床药效预测等多个方面表现出卓越性能，成为全球首个以中医辨证论治逻辑体系为核心、兼具临床实践能力的专业大语言模型。

天然药物，特别是中药（TCM），因其在解决人类症状和疾病方面的治疗潜力而获得全球认可。中医药以其系统的理论和丰富的实践经验，为医疗保健提供了丰富的资源。然而，中医的有效应用需要精准的证候诊断、治疗原则的确定和方剂的制定，这都需要数十年的临床专业知识。尽管基于中医的决策系统、机器学习和深度学习研究取得了进展，但数据的局限性和单一目标约束阻碍了其实际应用。最近，大型语言模型（LLM）在复杂任务中表现出了潜力，但在中医方面缺乏专业化，并面临重大挑战，例如模型过大而无法部署和出现幻觉问题。因此，我们引入了具有 76 亿参数 LLM 的天医模型，这是一个具有适当规模的模型，专为中医而设计，针对各种中医语料库进行了预训练和微调，包括经典文本、专家论文、临床记录和知识图谱。天医旨在通过渐进式学习策略吸收相互关联和系统的中医知识。此外，我们还建立了综合评估基准 TCMEval，用于评估 LLM 在中医考试、临床任务、特定领域问答和真实世界试验中的表现。广泛的评估表明，天医作为人工智能（AI）助手在中医临床实践和研究中的巨大潜力，弥合了中医知识与实际应用之间的差距。

一、引言：中医与人工智能的交汇

随着自然医学尤其是中医在全球范围内疗效的认可，越来越多的研究者和医疗专业人士开始关注这一领域。中医拥有系统性的理论和丰富的实践经验，为人类健康提供了宝贵的资源。然而，中医的精准应用需要深厚的临床经验和复杂的诊断治疗流程，通常需要数十年积累。近年来，尽管基于中医的决策系统、机器学习和深度学习研究取得了进展，但数据局限和单一目标约束阻碍了其实际应用。

在这一背景下，大语言模型（LLM）的出现为解决复杂任务提供了可能。然而，现有LLM在中医领域的专项应用仍存在不足，如模型规模过大导致部署困难，以及“幻觉”问题带来的临床风险。因此，研究团队推出了一款规模适中、专为中医设计的语言模型——天医（Tianyi），旨在弥合中医知识与实际应用之间的差距。

二、天医模型的创新设计

1. 模型概述

天医是一款参数规模为7.6亿的中医领域大语言模型，通过对多样化中医语料库的预训练和微调，掌握了系统性的中医知识和临床经验。其训练语料包括中医经典（如《伤寒论》《金匮要略》）、名家经验论著、临床记录和知识图谱等。

2. 渐进式领域知识增强框架

研究团队设计了一种渐进式领域知识增强框架，分阶段提升模型的中医能力：

基础医学知识学习

构建模型对医学基础概念的理解。
通用中医知识学习

通过中医教材和经典文献，系统掌握中医理论。
强化学习

基于高治愈率名医的临床经验和理论，进一步提升模型在临床实践中的应用能力。

这一框架使得天医能够从综合、互联的视角学习中医知识，显著提升其在临床场景中的表现。

3. 训练数据集

天医的开发经历了预训练、指令微调和偏好对齐三个阶段：

预训练数据集（TCMCorpus）

包含34亿个领域内token，涵盖中医教材、经典文献、研究文章和临床记录。
微调数据集

包括3万条临床记录、1500条医患咨询记录、10万对考试问答和2万条知识图谱样本。
偏好对齐

采用KTO（Kahneman-Tversky Optimization）算法，构建偏好样本，确保模型输出符合中医医生的临床实践偏好。

这些数据集的多样性和高质量为天医提供了坚实的基础，使其在中医领域的任务中表现优异。

三、TCMEval：中医领域综合评估体系

为验证大语言模型在中医领域的应用能力，研究团队建立了TCMEval评估体系，包含两大类评估：常规中医基准任务和中医真实世界评估。

1. 常规中医基准任务

中医多选考试（TCM-MCE）

包括本科、研究生及执业医师考试的多选题，评估模型的基础知识掌握情况。
中医临床记录任务（TCM-CRT）

涵盖证候预测、治疗原则决策和中药处方生成三大核心任务。
中医领域问答（TCM-DQA）

测试模型在中医各分支领域的问答能力。

2. 中医真实世界评估

TCMEval还包括基于真实临床记录和试验的两项评估：

回顾性研究：针对流感样患者的密切接触者，预测服药后7天内流感发病率。
前瞻性研究：针对成人甲型流感患者，预测发热完全缓解、缓解时间及不良反应（如虚汗、腹泻、乏力）。

TCMEval通过独立资源和真实世界临床记录，确保评估结果的客观性和实用性。评估显示，天医不仅在常规任务中表现出色，还在未见过的新场景中展现出推理和预测能力。

四、天医的性能表现

1. 常规任务中的表现

在TCM-MCE任务中，天医展现出较高的正确率，表明其对中医基础知识的扎实掌握。与其他开源模型（如Qwen系列、Llama系列）相比，天医在中医领域的专业性表现突出，尤其是在临床记录任务中，综合解决了证候诊断、治疗原则决策和处方生成等问题。

2. 真实世界临床研究中的潜力

在天医未训练过的临床试验预测任务中，其通过零样本学习展现出预测药物疗效和不良反应的能力。这表明，若能针对特定临床研究设计知识和经验的学习，天医有望显著提升临床研究的效率和效果。

五、天医范式：领域专属模型的开发启示

天医的开发过程为构建领域专属大语言模型提供了一个通用范式：

任务分析与定义

明确目标领域的核心任务，需计算机科学与领域专家深度合作。
语料库构建

根据任务类型和领域特征，构建全面、多样、高质量的语料库。
模型适配

将通用AI模型或算法适配至目标领域，任务和数据设计需符合领域需求。

这一“天医范式”可广泛应用于金融、法律、教育等领域，为资源有限的情况下开发领域专属模型提供了借鉴。

六、挑战与未来展望

尽管天医表现优异，仍面临若干挑战：

多模态数据整合

：中医诊断依赖望、闻、问、切等非文本模态，未来需研究多模态数据与中医知识的结合。
复杂推理能力提升

：天医当前推理能力为基础水平，未来可增强其在证候分析、病因推导和处方逻辑调整中的推演能力。
数据隐私与安全性

：尽管已采取数据匿名化和访问限制，仍需设计更严格的敏感信息防护策略，防止模型输出虚假信息。

未来，通过多模态数据整合和推理能力提升，天医有望在临床实践和研究中发挥更大作用，尤其是在基层医疗场景中推动人机协作。

七、结语

天医作为一款专为中医设计的大语言模型，以7.6亿参数的适中规模，展现了在中医临床实践和研究中的巨大潜力。通过渐进式训练、丰富的语料库和TCMEval评估体系，天医为中医领域的人工智能应用开辟了新路径。其开发范式也为其他领域提供了宝贵经验。未来，随着技术的进一步完善，天医有望成为中医临床医生和研究人员的得力助手，推动中医现代化发展。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述