PatientSeek：首个基于Deepseek r1的开源医疗法律推理模型

本文链接：https://blog.youkuaiyun.com/simoncool23/article/details/145415728

PatientSeek：首个基于Deepseek r1的开源医疗法律推理模型

PatientSeek 是 WhyHow.AI 团队基于 DeepSeek R1 模型进行精细微调的开源医疗法律模型。WhyHow.AI 团队精心处理了数万份患者记录，并以独特的方式将其与医疗法律领域的特定需求对齐。这种数据预处理的策略，充分挖掘了 DeepSeek 模型强大的推理能力，使其能够模拟在医疗法律场景中，如何发现患者记录与外部事件之间关联性的过程。（欢迎关注公众号“创见数字健康”创见数字健康，探索数字健康领域（智能技术、AI大模型、具身智能）的前沿技术和产业应用！）

技术亮点与幕后功臣

PatientSeek 的成功离不开一系列强大工具和平台的支撑：

模型基座: 选择 DeepSeek R1 模型作为基座，充分利用了其卓越的推理能力和成本优势。DeepSeek R1 在性能逼近甚至部分超越 GPT-3.5 的同时，成本却大幅降低，这为 PatientSeek 的本地化部署和广泛应用奠定了基础。
数据管理与实验追踪: CometML 平台被用于数据集存储和实验跟踪，确保了数据管理的效率和实验的可复现性。
高效微调: Unsloth 和 HuggingFace TRL 工具包的加持，极大地简化了模型微调流程，提升了开发效率。Unsloth 尤其以其高效的微调性能著称，能够在消费级硬件上快速完成模型训练。
算力支持: AWS Sagemaker 云计算平台（由 NVIDIA Inception 创业计划慷慨赞助）提供了强大的算力支持，加速了模型训练和部署过程。

模型下载与部署

PatientSeek 模型已在 HuggingFace 开源平台发布：https://huggingface.co/whyhow-ai/PatientSeek。您可以从该链接下载模型，并参考 Unsloth 提供的详细部署指南：https://unsloth.ai/blog/deepseek-r1 轻松在本地环境中运行 PatientSeek。

医疗法律领域的商业价值

“医疗法律” (MED-LEGAL) 领域，顾名思义，是指那些同时涉及法律和医疗考量的行业和工作流程。 PatientSeek 的核心目标是提升该领域以下两个关键方面的能力：

疾病与诊断识别: 更准确、更快速地从医疗记录中识别疾病和诊断信息。
因果关系与假设检验: 在医疗和法律的交叉领域，因果关系的判定至关重要。PatientSeek 旨在辅助专业人士进行假设检验，发现患者记录与外部事件之间的潜在因果关联，例如药物副作用、医疗事故等。

WhyHow.AI 团队之所以打造 PatientSeek，正是因为他们洞察到医疗法律工作流程的特殊性。与传统的医疗或法律流程不同，医疗法律领域需要进行大量的关联和联想，尤其是在医疗因果关系的问题上，其结论需要经得起法律标准的检验。团队凭借其在法律和医疗领域的深厚背景，长期以来一直与医疗专业人士合作，收集和预处理相关数据。而 DeepSeek 等强大开源推理模型的出现，恰逢其时，为解决这一领域的痛点提供了有力的工具。

为何此时推出 PatientSeek 正当其时？

在我看来，PatientSeek 的发布正值人工智能技术发展的关键节点。以下几个因素共同促成了此时发布 PatientSeek 的重要性和价值：

DeepSeek R1 的突破: DeepSeek R1 模型的发布，标志着开源推理模型性能的显著提升，使其在成本可控的前提下，具备了媲美甚至超越闭源模型的潜力。这为构建高性能、低成本的本地化医疗法律推理模型提供了坚实的基础。
自动化推理的商业化普及: 自动化推理技术正逐渐被商业领域接受和采纳。PatientSeek 的出现，顺应了这一趋势，将先进的推理能力带入医疗法律领域，有望大幅提升该领域的工作效率和决策质量。
数据驱动的推理优化: PatientSeek 的训练思路体现了数据驱动的理念。通过精心设计的数据预处理和微调策略，模型能够更好地理解和应对医疗法律领域的特定需求。这表明，与其盲目追求模型参数规模的扩张，不如专注于数据质量和针对特定任务的优化。
本地化部署与隐私保护的迫切需求: 医疗数据具有高度敏感性，对隐私保护的要求极高。PatientSeek 的本地化部署能力，完美契合了医疗机构和法律机构对数据安全和隐私的迫切需求，避免了将敏感数据上传到云端带来的潜在风险。

性能评估与成本优势

文章中提到，PatientSeek 与其他本地运行的模型以及闭源的 O1 模型进行了基准测试。结果显示：

基础任务: 在患者人口统计信息提取等基础任务上，PatientSeek 与其他模型表现相近，准确率均在 89.7% 至 97.8% 之间。
复杂任务: 在条件检测、生命体征分析等临床任务中，PatientSeek 达到约 90% 的准确率，优于其他开源模型，并保持了与 O1 模型相当的性能水平。
更高级复杂任务 (患者摘要生成、治疗方案规划): PatientSeek 的优势更加显著，依然保持约 90% 的准确率，而其他模型性能则出现明显下降。在这些复杂任务上，PatientSeek 甚至超越了 O1 和其他高性能开源模型，突显了其在医疗领域专业能力。

表格数据：性能对比

任务类型	PatientSeek	其他本地模型	O1
基础任务	~90-98%	~80-95%	~95-99%
临床任务	~90%	~70-85%	~90%
高级复杂任务	~90%	<70%	~85%

成本优势方面: DeepSeek R1 的 API 成本仅为 O1 的约 1/27。文章指出，使用 PatientSeek 处理基本问题 (30k 输入, 2k 输出) 的成本低于 0.01 美元，即使是更复杂的问题，成本也低于 0.05 美元。更令人兴奋的是，PatientSeek 可以在配备 M2 芯片的 Mac 设备上通过 Ollama 等工具本地运行，几乎实现了零成本！

数据基础设施的重要性

文章强调，PatientSeek 的成功并非偶然，而是建立在精心构建的数据基础设施之上。作者指出，高质量的数据预处理是模型性能的关键。他们强调，不同模型架构和类型（如 instruct、SFT 等）需要不同的数据格式。针对推理模型，他们需要大量的示例，并保持一致的格式和答案的多样性。这种对数据预处理的重视，体现了 WhyHow.AI 团队对数据质量的高度关注，也为其他开发者提供了宝贵的经验。

未来发展

WhyHow.AI 团队表示，他们将继续构建一系列模型，充分利用最新的推理技术，并将其应用于特定的任务和用例。这些模型将涵盖相关性分析、医疗知识图谱构建、实体提取、推理、行动执行、对话等多种能力，旨在构建强大的智能体架构。他们强调，训练数据集不包含 PII (个人身份信息)，并符合商业合规性要求。

我认为 PatientSeek 的意义不仅仅在于一个模型的发布，更在于它为开源社区在医疗法律领域的深入探索开了一个好头。它证明了通过精细的数据处理、针对性的模型微调以及开源协作，我们可以打造出真正解决行业痛点、推动社会进步的 AI 产品。期待 WhyHow.AI 团队未来能够持续迭代 PatientSeek，并构建更多优秀的医疗法律 AI 模型，为行业带来更多创新和价值。