ChatGLM-6B行业应用：医疗问诊预处理系统构建

1. 引言：当AI大模型遇上医疗问诊

想象一下这个场景：一位患者深夜感到不适，打开手机上的在线问诊平台，输入了一大段描述自己症状的文字。平台背后的医生可能正在休息，或者需要处理大量类似的咨询。如何快速、准确地理解这位患者的描述，提取关键信息，并给出初步的引导，是提升问诊效率和体验的关键。

这就是我们今天要探讨的话题：如何利用ChatGLM-6B这样的开源大语言模型，构建一个医疗问诊的预处理系统。这个系统不是要替代医生，而是充当医生的“智能助手”，在患者与医生正式沟通前，完成信息的初步收集、整理和分类，让医生能更快地抓住重点，也让患者获得更及时的反馈。

ChatGLM-6B作为一款优秀的开源双语对话模型，具备强大的自然语言理解和生成能力。它就像一个知识渊博、反应迅速的“实习生”，我们可以训练它学习医疗领域的知识，让它学会如何与患者进行初步交流。本文将带你一步步了解，如何基于CSDN提供的ChatGLM-6B镜像，构建这样一个实用的预处理系统。

2. 为什么选择ChatGLM-6B构建医疗预处理系统？

在开始动手之前，我们先要搞清楚，为什么ChatGLM-6B适合这个任务。市面上模型那么多，选它的理由是什么？

2.1 技术优势：开源、可控、性能均衡

首先，ChatGLM-6B是开源的。这对于医疗这类对数据隐私和系统可控性要求极高的领域来说，是首要考虑因素。你可以将模型部署在自己的服务器上，所有问诊数据都在内部流转，无需担心数据泄露到第三方平台。

其次，62亿参数的规模是一个“甜点”。它足够大，能够理解复杂的医学描述和上下文逻辑；同时又不会大到难以部署和微调。在单张高性能GPU上就能流畅运行，成本可控。

再者，它的双语能力（中英文）在医疗场景下很有用。虽然我们主要处理中文问诊，但有时会涉及英文药名、医学术语，模型能更好地理解和处理。

2.2 场景契合：对话能力与信息结构化

医疗问诊的本质是对话。患者描述症状，系统（或医生）询问细节，患者补充信息。ChatGLM-6B本身就是为对话任务设计的，在多轮对话、上下文记忆方面有天然优势。

我们的目标是将非结构化的、口语化的患者描述，转化为结构化的、关键的信息点。例如，患者说“我头疼了三天，一阵一阵的，右边太阳穴跳着疼，晚上睡不着觉”。预处理系统需要提取出：

• 主诉：头痛
• 病程：3天
• 性质：阵发性、搏动性
• 部位：右侧太阳穴
• 伴随症状：失眠

ChatGLM-6B的理解和总结能力，非常适合完成这类信息抽取和初步归纳的任务。

2.3 CSDN镜像带来的便利

基于CSDN的ChatGLM-6B镜像，我们省去了最繁琐的环境搭建和模型部署步骤。镜像已经集成了模型权重、Web交互界面和进程守护工具，真正做到“开箱即用”。我们可以把精力集中在如何为模型注入医疗知识，以及如何设计整个预处理流程上。

3. 系统核心功能设计与实现思路

一个完整的医疗问诊预处理系统，远不止是启动一个聊天机器人那么简单。我们需要设计一套完整的流程，让ChatGLM-6B在其中扮演合适的角色。

3.1 系统工作流程设计

整个预处理流程可以设计为以下几个阶段：

1. 患者输入：患者通过网页、APP或小程序输入症状描述。
2. 信息补全与澄清：系统（ChatGLM-6B驱动）主动询问关键缺失信息，如疼痛具体位置、发作频率、持续时间、加重或缓解因素等。
3. 信息结构化提取：将多轮对话整理后的信息，自动提取并填充到结构化的电子病历（EMR）模板中，如主诉、现病史、既往史（部分）等。
4. 初步分诊与优先级建议：根据结构化信息，结合医学知识库，给出初步的科室建议（如内科、外科、急诊科）和紧急程度提示（如建议立即就医、可预约门诊、可居家观察）。
5. 生成问诊摘要：为接诊医生生成一份简洁明了的患者情况摘要，突出关键点和疑点。

3.2 赋予ChatGLM-6B“医疗知识”

原始的ChatGLM-6B是一个通用模型，要让它胜任医疗问诊，必须进行“领域适应”。主要有两种方法：

方法一：提示词工程（Prompt Engineering） 这是最快上手的方法。我们通过精心设计对话的“系统提示词”（System Prompt），来引导模型的行为。

# 示例：用于医疗问诊的System Prompt
medical_system_prompt = """
你是一个专业的医疗问诊预处理助手。你的任务是帮助患者清晰描述病情，并为医生收集关键信息。
请遵循以下原则：
1. 态度温和、专业、有同理心。
2. 主动询问关键信息：症状部位、性质、程度、持续时间、发作频率、加重/缓解因素。
3. 询问必要的既往病史、过敏史、近期用药情况。
4. 根据患者描述，初步判断可能涉及的科室（如内科、外科、骨科等），但不要做出明确诊断。
5. 将对话最终整理成一份结构化的摘要，包含：主诉、现病史关键点、既往史（如提及）、初步建议。
现在开始与患者交流。
"""

在调用ChatGLM-6B的API时，将这个提示词作为对话的起点，模型就会以“医疗助手”的角色进行回复。

方法二：模型微调（Fine-tuning） 对于更专业、更稳定的表现，需要进行模型微调。我们可以收集或构造大量的医患对话数据，对ChatGLM-6B进行有监督微调（SFT），让它更深层次地学习医疗领域的语言模式和问诊逻辑。

# 微调数据示例格式（JSONL）
{"conversations": [{"role": "user", "content": "医生，我肚子疼。"}, {"role": "assistant", "content": "您好，请问具体是哪个部位疼？上腹部、下腹部还是肚脐周围？是绞痛、胀痛还是隐痛？"}]}
{"conversations": [{"role": "user", "content": "右边小肚子一阵一阵绞痛，拉了两次肚子。"}, {"role": "assistant", "content": "明白了。请问疼痛持续多久了？大便是什么性状？有没有发烧、恶心呕吐？"}]}

使用PEFT（参数高效微调）技术，如LoRA，可以在消耗较少计算资源的情况下，有效提升模型在医疗对话上的表现。

3.3 构建系统后端服务

我们需要将ChatGLM-6B封装成一个可靠的API服务，供前端调用。利用CSDN镜像已有的Gradio WebUI基础，我们可以进一步开发RESTful API。

# app.py (基于Gradio，扩展API功能)
import gradio as gr
from transformers import AutoTokenizer, AutoModel
import json
import sys

# 加载模型和分词器（假设已下载）
model_path = "/ChatGLM-Service/model_weights"
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).half().cuda()
model = model.eval()

# 定义医疗预处理函数
def medical_preprocess(patient_input, history=None):
    # 1. 构建带医疗系统提示词的对话
    system_prompt = medical_system_prompt # 使用上面定义的提示词
    if history is None:
        history = []
    
    full_prompt = system_prompt + "\n\n患者：" + patient_input
    for [user_msg, assistant_msg] in history:
        full_prompt += f"\n患者：{user_msg}\n助手：{assistant_msg}"
    
    # 2. 调用模型生成回复
    response, updated_history = model.chat(tokenizer, full_prompt, history=history)
    
    # 3. 模拟：从对话历史中提取结构化信息（此处简化，实际可用NER模型）
    # 这里可以接入另一个信息提取模块
    structured_info = extract_structured_info(updated_history)
    
    return response, updated_history, structured_info

def extract_structured_info(history):
    # 这是一个简化示例，实际应用需要更复杂的NLP模型或规则
    info = {"主诉": "", "病程": "", "部位": "", "初步建议科室": ""}
    # ... 实现信息提取逻辑 ...
    return json.dumps(info, ensure_ascii=False)

# 创建Gradio界面（同时可作为API后端）
with gr.Blocks() as demo:
    gr.Markdown("# 医疗问诊预处理系统 (基于ChatGLM-6B)")
    chatbot = gr.Chatbot()
    msg = gr.Textbox(label="请描述您的症状")
    clear = gr.Button("清空对话")
    structured_output = gr.JSON(label="结构化信息预览")
    
    def respond(message, chat_history):
        bot_message, new_history, s_info = medical_preprocess(message, chat_history)
        chat_history.append((message, bot_message))
        # 将结构化信息从字符串解析为JSON对象
        try:
            s_info_obj = json.loads(s_info)
        except:
            s_info_obj = {}
        return "", chat_history, s_info_obj
    
    msg.submit(respond, [msg, chatbot], [msg, chatbot, structured_output])
    clear.click(lambda: None, None, chatbot, queue=False)

# 除了UI，也可以单独启动一个FastAPI服务提供纯API接口
# from fastapi import FastAPI
# app = FastAPI()
# @app.post("/v1/medical_chat")
# async def chat_endpoint(request: ChatRequest):
#     # 调用上面的medical_preprocess逻辑
#     pass

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860)

这个服务既提供了友好的Web界面供测试，其核心处理函数也易于被其他系统通过接口调用。

4. 实战：从零搭建一个简易预处理模块

理论说了这么多，我们来点实际的。假设你已经通过CSDN镜像启动了ChatGLM-6B服务，现在我们来快速构建一个能与它交互的预处理客户端模块。

4.1 环境准备与连接

首先，确保你的ChatGLM-6B服务已经在7860端口运行（通过CSDN镜像启动）。如果你在远程服务器上，需要通过SSH隧道将端口映射到本地。

# 假设你的服务器信息如下：
# 服务器地址：gpu-abcde.ssh.gpu.csdn.net
# SSH端口： 1024
ssh -L 7860:127.0.0.1:7860 -p 1024 root@gpu-abcde.ssh.gpu.csdn.net

然后在本地Python环境中，安装必要的库。

pip install requests gradio_client

4.2 构建一个智能问诊客户端

我们创建一个Python脚本，它通过HTTP请求与后端的ChatGLM-6B服务交互，并加入我们的医疗预处理逻辑。

# medical_client.py
import requests
import json
import time

class MedicalPreprocessClient:
    def __init__(self, base_url="http://127.0.0.1:7860"):
        self.base_url = base_url
        self.api_url = f"{base_url}/api/chat"  # 假设我们部署了上述的API接口
        self.conversation_history = []
        # 医疗系统提示词
        self.system_prompt = """你是医疗助手，请耐心、专业地询问患者症状细节，包括部位、性质、持续时间、频率、加重缓解因素、伴随症状、既往相关病史。每次回复尽量简短，以提问引导为主。"""
        
    def send_message(self, user_input):
        """发送消息到预处理系统，并获取回复"""
        # 构建包含系统提示和历史的完整prompt
        full_prompt = self.system_prompt + "\n\n对话历史：\n"
        for idx, (user_msg, bot_msg) in enumerate(self.conversation_history[-4:]): # 保留最近4轮历史
            full_prompt += f"患者：{user_msg}\n助手：{bot_msg}\n"
        full_prompt += f"患者：{user_input}\n助手："
        
        # 调用后端API (这里以模拟的Gradio客户端为例，实际需根据后端API调整)
        # 方式1：如果后端是Gradio，可以使用gradio_client
        # from gradio_client import Client
        # client = Client(self.base_url)
        # result = client.predict(full_prompt, api_name="/chat")
        
        # 方式2：如果后端是自定义的FastAPI
        payload = {
            "prompt": full_prompt,
            "history": self.conversation_history,
            "max_length": 512,
            "temperature": 0.7  # 温度设低一些，让回复更稳定专业
        }
        try:
            response = requests.post(self.api_url, json=payload, timeout=30)
            response.raise_for_status()
            bot_response = response.json().get("response", "抱歉，我暂时无法处理。")
        except requests.exceptions.RequestException as e:
            print(f"API请求失败: {e}")
            bot_response = "网络连接出现异常，请稍后再试。"
        
        # 更新历史
        self.conversation_history.append((user_input, bot_response))
        return bot_response
    
    def extract_summary(self):
        """基于对话历史，生成一份问诊摘要（模拟）"""
        if not self.conversation_history:
            return "暂无对话内容。"
        
        summary_prompt = "请根据以下医患对话，整理一份给医生的结构化问诊摘要，包含主诉、关键现病史、需要关注的要点。\n"
        for user_msg, bot_msg in self.conversation_history:
            summary_prompt += f"患者：{user_msg}\n助手：{bot_msg}\n"
        
        # 调用模型生成摘要
        payload = {"prompt": summary_prompt, "history": [], "max_length": 1024, "temperature": 0.1}
        try:
            response = requests.post(self.api_url, json=payload, timeout=30)
            summary = response.json().get("response", "")
        except:
            summary = "摘要生成失败。"
        return summary
    
    def run_cli(self):
        """运行一个简单的命令行交互界面"""
        print("=== 医疗问诊预处理系统 (输入'退出'结束，输入'摘要'生成报告) ===")
        while True:
            user_input = input("\n您：")
            if user_input.lower() in ['退出', 'exit', 'quit']:
                print("感谢使用，再见！")
                break
            if user_input == '摘要':
                summary = self.extract_summary()
                print(f"\n【问诊摘要】\n{summary}")
                continue
                
            print("系统思考中...")
            reply = self.send_message(user_input)
            print(f"助手：{reply}")

if __name__ == "__main__":
    client = MedicalPreprocessClient()
    client.run_cli()

运行这个脚本，你就可以在命令行里体验一个简易的医疗问诊预处理流程了。它会引导你描述症状，并在最后生成一份摘要。

4.3 效果示例

让我们模拟一次对话：

您：我头疼。
助手：您好。请问头痛具体在哪个位置？是前额、后脑、两侧太阳穴，还是整个头部？
您：右边太阳穴一阵一阵的跳着疼。
助手：明白了，右侧太阳穴搏动性疼痛。这种疼痛出现多久了？是持续性的还是间歇性的？
您：从昨天下午开始，断断续续的。
助手：昨天下午开始的间断性疼痛。疼痛发作时，有没有伴随其他症状？比如恶心、呕吐、怕光、怕声音？
您：有点恶心，光线强了觉得更不舒服。
助手：感谢告知。有恶心和畏光的情况。请问您以前有过类似的头痛发作吗？有没有偏头痛的病史？
您：好像没有，这是第一次这么疼。
助手：了解了，这是首次发作。为了更全面地评估，请问您最近是否有熬夜、压力大、或者眼部疲劳的情况？
...
您：摘要
【问诊摘要】
患者主诉：右侧太阳穴阵发性搏动性疼痛。
现病史：患者自述昨日下午起出现右侧太阳穴“一阵一阵跳着疼”，间断性发作。伴随恶心及畏光症状。否认既往类似发作史及偏头痛病史。近期偶有熬夜。
关键点：首次发作，伴恶心、畏光，需关注与偏头痛、紧张性头痛或其他继发性头痛的鉴别。
建议：建议神经内科门诊进一步检查，必要时可行头颅影像学检查排除器质性病变。

可以看到，系统通过多轮对话，将一句简单的“我头疼”，细化成了包含部位、性质、病程、伴随症状和既往史的详细描述，并生成了对医生有价值的摘要。

5. 总结与展望

通过本文的探讨，我们看到了将ChatGLM-6B这样的开源大模型应用于医疗问诊预处理领域的可行性与巨大潜力。基于CSDN提供的成熟镜像，开发者可以快速搭建起服务原型，将精力聚焦于领域知识的注入和业务流程的设计上。

5.1 核心价值回顾

构建这样一个系统，核心价值在于提效和赋能：

• 为患者提效：获得7x24小时的即时响应，在等待医生接诊前就能完成信息的初步梳理，问诊体验更流畅。
• 为医生赋能：获得一份结构清晰、重点突出的患者情况摘要，减少信息收集时间，能将更多精力用于诊断决策。
• 为机构增值：提升在线问诊平台的服务质量和运营效率，实现初步的智能分诊，优化医疗资源分配。

5.2 重要注意事项

在兴奋之余，我们必须保持清醒的认知，尤其是在医疗领域：

• 辅助而非替代：该系统始终是辅助工具，所有结论和建议都必须由执业医师最终审核和确认。
• 严控风险边界：系统应明确避免做出具体诊断、开具处方或处理急危重症情况。必须设置清晰的触发规则，一旦识别到“胸痛”、“呼吸困难”、“意识不清”等关键词，立即引导患者紧急就医或拨打急救电话。
• 持续迭代与评估：需要医学专家持续参与系统的优化和效果评估，确保其问询逻辑和知识是准确、可靠的。

5.3 未来演进方向

这个预处理系统只是一个起点，未来有很多可以深化的方向：

1. 多模态输入：支持患者上传患处照片、检查报告影像，让模型具备“看图说话”的能力。
2. 深度知识集成：将医学教科书、临床指南、药品说明书等知识库与模型更深度地结合，构建真正的“医学大脑”。
3. 个性化与随访：根据患者历史问诊记录，提供个性化的健康建议和康复随访。
4. 专科化深化：针对儿科、皮肤科、心理科等不同专科，训练更垂直、更专业的预处理模型。

技术的进步正在不断缩小想象与现实的差距。利用像ChatGLM-6B这样的工具，我们有机会构建出更智能、更人性化的医疗健康服务入口。希望本文能为你提供一个可行的起点，期待看到更多创新的应用诞生。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。