仲景GPT:首个中医大语言模型如何革新传统医学诊疗?[特殊字符]

news2026/4/30 3:55:48
仲景GPT首个中医大语言模型如何革新传统医学诊疗【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing在人工智能与医疗健康深度融合的时代背景下中医大语言模型迎来了突破性进展。CMLM-ZhongJing仲景GPT作为首个专门针对中医药AI领域的预训练大语言模型不仅承载着古代医圣张仲景的智慧精髓更为传统医学人工智能的发展开辟了新路径。该项目通过创新的多任务诊疗分解策略和13.5万专业指令数据构建了一个能够理解中医辨证论治逻辑的智能系统为中医临床决策、教学科研和知识传承提供了全新的技术支撑。 技术架构中医诊疗行为的智能分解多任务诊疗行为分解策略传统的中医诊疗过程涉及望闻问切四诊合参、辨证论治、方药配伍等多个环节如何让AI理解这一复杂流程是技术上的重大挑战。仲景GPT创新性地提出了中医诊疗行为分解策略将中医临床实践拆解为15个核心任务模块任务模块功能描述数据示例患者治疗故事基于处方数据生成患者病史李女士血虚证用四物汤治疗的故事诊断分析症状与证候的关联分析舌红苔薄黄、脉细数的病机解释舌脉象分析舌象与脉象的辨证解读舌质淡胖、脉沉细的临床意义处方功用方剂功效与配伍原理四物汤补血调经的作用机制诊疗方案制定个性化治疗计划生成针对慢性肾炎的益气养阴方案图1中医诊疗行为分解与大语言模型协同工作流程这一策略借鉴了人类记忆与学习机制通过穿插学习、间隔练习和多样化学习提升知识巩固程度。核心代码位于src/zhongjinggpt_1_b.py实现了基于专业表格和特定prompt模板的指令生成系统。专业指令数据构建体系与通用领域大模型不同中医知识图谱AI对专业性和准确性要求极高。仲景GPT构建了涵盖多个维度的专业指令数据集 数据集构成分析中医古籍内容31,395条指令覆盖《伤寒论》《金匮要略》等经典中医名词解释20,376条专业术语解析症状近义词/反义词27,650条语义关系数据真实世界问题7,990条临床实际问题疾病病机分析8,024条辨证分析数据总计超过13.5万条高质量指令数据为模型提供了丰富的中医专业知识基础。 核心功能从理论到临床的智能跃迁中医辨证处方系统的突破仲景GPT在中医辨证处方系统方面展现出卓越能力。与传统通用模型相比该模型在中医专业领域的表现显著提升 性能对比测试在心痛彻背背痛彻心的典型症状咨询中各模型表现如下模型病机辨证处方质量综合评价GPT-4⚠️ 泛泛而谈❌ 无完整方剂处方决策欠佳BaiChuan2-13B❌ 中医常识缺失❌ 无处方偏向西医对症仲景GPT-13B✅ 简明准确✅ 经典方剂病机精准、处方合理 技术亮点证候识别准确率在妇科数据训练基础上实现了跨专科泛化能力方剂配伍合理性基于经典方剂数据库生成符合中医理论的治疗方案临床决策支持提供从诊断到治疗的完整诊疗思路复杂诊疗决策推理能力在慢性肾炎的复杂病例分析中仲景GPT展现出了媲美国医大师的辨证处方水平 病例分析示例患者情况46岁男性慢性肾炎10年蛋白尿()血肌酐升高症状表现自汗、头晕、腰痛、乏力、夜寐不安、尿黄舌脉象舌红苔薄黄脉细数✅ 仲景GPT诊断结果辨证湿热内蕴日久耗伤气阴治法益气养阴清热利湿处方黄芪30g党参20g生地20g山药20g茯苓20g泽泻20g丹皮15g赤芍15g丹参20g白花蛇舌草30g半枝莲30g薏苡仁30g大黄10g这一诊断思路与国医大师熊继柏的实际医案高度吻合体现了模型在中医临床决策支持方面的专业深度。 性能评估专业医师验证的科学性多维度人工评估体系为确保模型的临床实用性项目组邀请了五位专业中医师从五个维度进行系统评估图2不同规模语言模型在中医诊疗任务中的表现对比 评估维度客观性诊断依据的客观程度逻辑性辨证论治的逻辑严密性专业性中医理论运用的专业性准确性诊断与处方的准确度完整性诊疗方案的完整程度与主流模型的对比分析模型类别代表模型平均得分中医专业优势100B参数模型GPT-4、GPT-3.56.85通用能力强中医专业度不足10B参数模型ChatGLM2-6B5.12轻量级中医知识有限中医专用模型仲景GPT-7B5.64中医专业度最高 核心发现仲景GPT在中医专业知识维度显著优于同等规模的通用模型模型在辨证准确性和处方合理性方面接近专业医师水平轻量级设计1.8B参数可在单张Tesla T4显卡上实现高速推理 部署与应用从实验室到临床的桥梁轻量级部署方案仲景GPT提供了灵活的部署选项满足不同场景的需求 技术规格对比版本参数量基座模型硬件要求适用场景ZhongjingGPT1_13B13BBaichuan2-13B-Chat高性能GPU研究机构、医院中心ZhongJing-2-1_8b1.8BQwen1.5-1.8B-Chat单张T4即可基层医院、个人诊所Web演示界面快速体验项目提供了基于Gradio的Web演示界面支持单轮和多轮对话功能。通过WebDemo.py可以快速启动本地服务# 克隆代码库 git clone https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing.git cd CMLM-ZhongJing # 安装依赖并启动Web Demo pip install -r requirements.txt python WebDemo.py 功能特点实时交互支持自然语言的中医问答辨证分析基于症状的自动辨证处方建议提供经典方剂参考病机解释详细解析疾病发生机制 未来展望中医药智能化的新篇章技术路线规划仲景GPT项目团队制定了清晰的技术发展路线️ 发展路线图数据扩展基于内、外、妇、儿、骨等多学科数据构建百万级Instruct数据模型迭代基于LLaMA 2、百川-7B等模型持续优化专科深化发布李时珍、王叔和、皇甫谧、孙思邈等专科版本应用拓展探索中医教学、科研辅助、临床决策支持等应用场景行业影响与价值 临床价值辅助诊断为年轻医师提供辨证参考知识传承系统化整理中医经典知识教学工具作为中医教学的新型辅助手段 科研价值知识挖掘从海量古籍中提取结构化知识规律发现通过数据分析发现中医诊疗规律理论验证为中医理论提供数据支持⚠️ 重要声明与伦理考量使用限制与责任声明 核心原则学术研究导向目前所有输出结果仅供学术研究参考非临床替代不构成任何医疗建议不能替代专业医师诊断责任归属临床诊断和治疗应由经验丰富的专业医师提供伦理框架 开发理念安全性优先确保输出内容的专业性和安全性透明可解释提供辨证依据和理论支持持续改进基于专业医师反馈不断优化模型 结语传统智慧与现代技术的融合仲景GPT代表了中医药AI发展的一个重要里程碑。通过将古代医圣张仲景的智慧与现代人工智能技术相结合该项目不仅为中医领域提供了强大的技术工具更为传统医学的现代化转型探索了新路径。 项目核心贡献技术突破首次实现中医诊疗行为的系统性AI建模数据创新构建了规模最大的中医专业指令数据集应用价值为中医临床、教学、科研提供智能支持文化传承以科技手段传承和发展中医文化随着技术的不断进步和应用的深入中医大语言模型有望在中医现代化进程中发挥越来越重要的作用为实现可信赖的中医通用人工智能目标奠定坚实基础。本文基于CMLM-ZhongJing项目文档和技术资料撰写所有技术细节和评估数据均来自项目官方发布内容。项目代码和模型权重可通过官方渠道获取具体部署和使用请参考项目文档。【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2481839.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…