药物虚拟筛选，所需的时间同样是难以接受的。 AI大模型辅助药物虚拟筛选 基于AI的算法，包括监督学习，无监督学习，自监督学习，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 AI方法通常基于对数据特征的学习。具体来说，就是从大量的已知药物化合 物和非药物化合物中，去学习成药所需的潜在特征，并依据这一特征对化合物进 行能否成药的分类。这样的方法同CADD一样，是一种虚拟筛选的方法，不受到 筛选的方法，不受到 化合物是否可得的限制。但是相比于CADD，他有着一个巨大的优势，即AI方法 并不基于复杂的物理计算，而是基于已有的数据去自主学习。这一优势主要的体 现便在于，他打破了CADD中的trade off，即在高质量数据的支持下，AI方法 能够做到同时保持高精度以及高速的药物筛选。 然而，高质量数据这一前提条件十分的苛刻，简而言之，高质量数据要求具 备两个特征: 1，进行训练的药物 法，从而为自然语言处理带来了质的飞跃。 而在药物筛选领域，如果我们依照类似的方式，让AI模型去充分利用海量的 蛋白、分子数据去进行自监督训练，是否也有可能学习到分子世界中的"语法"规 则? 这种方法的潜在优势在于，它可以利用现有的大量无标签分子数据集，就像 GPT使用互联网上的无标签文本一样。通过自监督学习，模型可以无需昂贵的实 验数据标签，就能够识别和理解生物分子的本质特性，从而为新颖和强大的药物 发现机制奠定基础。如果AI能

基于经验知识推理阶段，研究主要集中在中医领域专家系统的研制；第二个阶段 为 90 年代至 21 世纪初的传统机器学习阶段，研究者们主要尝试单一或多种机 器学习算法进行中医智能辨证诊断研究；第三个阶段为 21 世纪 10 年代以来的 大数据与深度学习探索阶段，随着大数据技术的成熟、计算机算力的提高和深度 学习等算法的发展，尤其是 2016 年深度学习相关技术崛起后，中医智能辨证诊 断研究又进入了新一轮的中医智能诊断研究高峰。 搜索法建立启发式联想推理机一般利用数组或矩阵来表示知识。 4 （2）基于传统机器学习的阶段 进入 90 年代后，研究人员已经突破传统专家系统的概念，采用了机器学习 等相关智能技术改进中医诊断流程。中医诊断一定程度上可以视为将人体所表现 信息即证候在所有已知证候库中进行匹配，所以可以把中医诊断作为机器学习问 题来对待，并采用如决策树、贝叶斯算法、支持向量机等分类算法来解决此类问 题。 取工具，此外还建立 了基于人工神经元网络的中医儿科咳喘诊疗系统等。 然而获取用于构建模型的有标记的数据需要中医专家花费大量精力进行手工 标注，构建成本非常高，不依赖标注的神经网络技术作为机器学习领域的一个重 要分支也同样受到了大量研究者的重视，模糊计算、粗糙集等一些数学方法也被 应用到中医诊断的研究中。 在早期，研究者一般采用一种或两种技术来解决中医的智能诊断问题，随着 研究的深

② 剖 析 大 模 型 ① 关 于 预 训 练 预训练大模型 （学习共性） 大数据（低成本无标注） 少量特定领域标注数据 （成本高） 微调小模型 （学习特性） ⑤ 数 基 生 命 1.模型角度：模型参数不再是随机初始化，而是通过一些任务（如语言模型）进行预训练； 2.数据角度：将训练任务拆解成共性学习和特性学习两个步骤。 CHIMA 20Pag2 Tsinghua Confidential 双向模型，同时考虑前文和后文  采用掩码语言模型（ masked language model ）和下一句 预测任务 （ next sentence prediction ）进行预训练，使得模型能够学习到上下 文 关系和词汇语义  通常用于文本分类、序列标注、问答等任务  GPT ： Generative Pre-trained Transformer  单向模型，只考虑前文，不考虑后文 主要采用掩码语言模型（ masked language model ，对应图 Mask LM ）和下一句预测任务（ next sentence prediction ，对应图 NSP ）进行预训练，使得模型能够学习到上下文关系和词汇语义。预训练好的 BERT 可以用于对 输入文本进行编码，得到具有语义的向量表示。 预训练好的 BERT 也可以通过微调（ fine-tuning ）方式适配各类 NLP 任务： The

图灵提出“机器能否思考”的哲学命题，但未形成系统研究框架。 ◆1997 年 — —深蓝胜利： IBM 超级计算机击败国际象棋冠军，体现专用 Al 的突破，但通用智能仍未实现。 ◆ 2012 年——技术突破的转折点：深度学习崛起， Geoffrey Hinton 团队在 ImageNet 竞赛中以卷积神经网络将错 误率 从 26% 降至 15%, 引发算力与数据驱动的 Al 革命。 ◆ 2016 年—— AlphaGo: Al 无法处理复杂现实问题 · 第五阶段：复兴时期，标志事件是 1997 年 IBM 深蓝击败国际象棋冠军 · 第六阶段：数据驱动的崛起，驱动力是互联网积累海量数据， GPU 算力 提升，机器学习算法突破，里程碑事件是 2016 年 AlphaGo 击败李世 石 2020 年以后是通用智能探索与生成式 Al 爆发期， 2022 年 ChatGPT 发 布， 生成式 Al 普及化。 2023 一、人工智能发展简史了解 OpenAl 的 5 级 AGI 量表 二、大模型：人工智能的前沿 2.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有海量参数、强大的学习能力和泛化 能力，能够处理和生成多种类型数据的人工智能模型 通常说的大模型的“大”的特点体现在：参数数量庞大、训练数据量大、计算资源需求高 2020 年， OpenAl 公司推出了

大模型，我们可以实现门诊病历自动生成的目 标。这一方案的实施将带来一系列的优势： 1. 提高工作效率：AI 大模型可以快速解析患者的主诉和症状， 自动生成结构化的病历内容，大幅减少医生的手动记录时间。 2. 增强准确性：通过学习大量中医病例，AI 大模型能够根据病 人情况提供相对准确的病历描述，降低人为错误的发生。 3. 支持个性化医疗：AI 模型能够分析病人的历史记录，为医生 提供个性化的诊疗建议，使治疗更具针对性。 为了实现上述目标，需考虑以下几个关键因素：  数据来源：需收集和整理大量的中医门诊病历数据，为 AI 模 型的训练提供优质样本。  AI 模型选择：选择适合中医领域的 AI 大模型，对其进行迁移 学习，以增强其在病历生成时对中医理论的理解。  系统集成：将 AI 生成的病历与医院现有的信息系统进行无缝 集成，实现数据的实时更新和访问。  医生培训：对医务人员进行 AI 工具使用的培训，使其能够有 通过这一流程，门诊病历的生成将变得更加高效、标准化，从 而提升整体就医体验和服务质量。 为实现这一目标，必须考虑以下几点可行性： 1. 数据整合：需构建全面的患者信息数据库，包括历史病历、治 疗记录及患者反馈，确保 AI 模型的学习与推断有据可循。 2. 专家参与：在 AI 模型的构建与训练过程中，应由中医专家团 队进行指导，保证模型在中医领域的适用性和准确性。 3. 用户体验：设计简单易用的前端界面，确保医生在使用过程中

（一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 据集包含大规模的医疗科研文献、电子病历、医学图像等，参数量通常在百万级到亿 级，远超过普通深度学习模型，因而能够获取更强的特征提取和学习能力等。 医疗大模型的典型运作逻辑主要包含三个层面： 从数据层看，大模型可构建医疗数据集，收集包括电子病历、文献报告、医学知识图 谱、医学图像等多源异构的医疗数据，同时进行数据清洗、标注、统一编码，构建规 从而加快医生的 诊断和治疗建议。此外，大模型还可辅助分析医学影像，帮助检测肿瘤并进行疾病分 型。通过分析DNA测序数据，大模型能识别与疾病相关的基因突变，从而制定个性化 治疗方案。同时，大模型还能学习最新的医学知识，为医生提供治疗建议和决策支 持。例如，腾讯健康发布的混元通用大模型针对医疗领域升级了多个AI产品，包括智 能对话、病例结构化与检索、影像报告和辅助诊断等。这些医疗大模型产品已被整合 数据源，提供有价值的医学知识。 在临床文本分析与诊断支持方面，传统的临床文本分析通常依赖于规则引擎或浅层机 器学习方法，对复杂的医学文本难以处理。大模型可以处理自然语言文本，分析临床 病例和医学报告，帮助医生更快速地做出诊断和制定治疗方案。它可以理解上下文， 处理模糊信息，并且能自我学习和更新知识，这使得它在处理复杂和变化的医疗问题 时具有优势。 在医学影像分析方面，传统医学影像分析需要专业的放射科医生或病理学家进行手工

助力公立医院高质量发展 国家心血管病中心 中国医学科学院阜外医院 李天庆 河南心血管病中心（国家心血管病中心华中分中心） n 大 局 n 困 局 医疗设备智慧管理助力公立医院高质量发展 2 学习交流的理想效果 —— 全国青年教师基本功大赛冠军 阜外医院 罗 3 芳 理解 评价 应用 分析 记忆 创造 政治判断力 政治领悟力 政治执行力 只有看清楚 才能想明白 才能干到位 更好坚持和发 展 中国特色社会主义 学习思考解决问题的方法 继续把党史总结学习教育宣传引向深入更好把握和运用党的百年奋斗历史经 验 —— 在省部级领导干部学习贯彻十九届六中全会精神研讨班上的重要讲 话 5 n 正确思想指引 n 确定中心任务 n 战略策略结合 n 勇于自我革命 n 学思悟知信行 只有看清楚 才能想明白 才能干到位 学习思考解决问题的方法 6 7 公立医院面临的形势 施工作业标准化 验收标准化 项目建设高效高质 双方团队共同提升 （五）项目管理持续改进 甲方 + 乙方共建相关推进制 度 44 （一）客观分析问题原因 （二）有效沟通提升效率 （三）主动学习教会同事 （四）团结协作各尽其责 要有斗争精神 更有斗争本领 实现工作目标 45 三、勇于自我革命（谁来做） 医工：设备管理 信息：顶层设计 项目管理 医务：医疗质量

随着人工智能技术的进步和深度学习算法的发展，以及海量多模态数据的爆炸式 增长，芯片、网络、算力等基础建设的持续增强，大模型也迎来了快速发展机遇。2014 年生成对抗网络 GAN（Generative Adversarial Network）[4]的出现，推动了生成式人工 智能的革命性发展，随后以 Transformer[5]、BERT[6]为代表的预训练模型的诞生，颠覆 了以往的深度学习模型网络结构，大 允许不得重复使用。 〔作者简介〕 郑琰莉，学士，发表论文 2 篇; 通信作者: 苏文星，硕士，发表论文 4 篇。 大模型构建流程分为：预训练、微调、奖励模型、强化学习四个阶段。预训练即 利用海量的训练数据和无监督学习的方法学习到通用的特征或知识，并将这些特征或 知识迁移到其他任务上，用于增强模型的泛化能力和表现。微调是指在已有的预训练 语言模型基础上，然后在新的数据集上进行少量的训练，使得模型能够更好地适应新 Prefix-tuning 则是通过在输入中添加前缀来控制生成结果的格式和结构。奖励模型 （Reward Model）用于对生成的内容进行打分排序，让模型生成的结果更加符合人们 理想的答案。强化学习（Reinforcement Learning）阶段根据用户给出的提示词结合奖励 模型，将对结果与语言模型建模目标进行综合，进而得到更好的输出效果。表 1 展示 了部分主流大模型的构建情况。 表

推向第二个黄金 期 199 0 年 AI 计算机 DARPA 计划失败，政府缩 减投入， AI 进入第 二次低谷 2006 年 Hinton 提出“深度 学习“神经网络使 得人工智能性能获 得突破性进展” 2013 年 深度学习算法在语音 和视觉识别上识别率 显著提升，进入感知 智能时代 2016 年 AlphaGo 战胜人类 围棋冠军， AI 关 注 度空前提升 2022 年 OpenAI 术 应 用 表 现 统计机器学习 1980 年代至 21 世纪初期 硬件奠基，算法发展，数据积累 算法框架：逻辑回归、朴素贝叶 斯 .... 特征工程 + 算法 推荐系统 输入法 可解释但依赖人工经验输入 深度学习 2010-2020 硬件发展，大规模数据，算法突破 推荐系统 人脸识别 算法框架：深度神经网络、卷积神经网络 自动进行特征学习，端对端训练，有监督 在特定场景效果好，但需要根据 SS 患者， 243 例 IM 患者  研究指标：自身抗体、血常规、生化常规、临床特征  指标筛选：差异分析、相关性分析、单因素多因素分析、 LASSO 回归  模型筛选： 4 种机器学习模型比较  模型优化：性能最优模型进行指标优化  外部验证：独立数据进行模型验证 AI 生物标志物研究举例之自身免疫 病 AI 生物标志物科研成果的临床应 用 AI 生物标志物从 IDEA

学数据分析和文本挖掘方法，整合丰富的生物学数据，结 合自然语言处理、深度学习、图像识别以及大模型等人工 智能（AI）技术，构建新药研发知识图谱，开展复杂蛋白 质结构预测，显著提升药物靶点的识别和筛选效率。 2.智能药物分子设计与优化 面向药物分子设计和先导化合物优化等业务活动，针 对传统基于经验的药物设计模式限制问题，通过运用计算 机模拟、数字孪生以及深度生成模型和强化学习算法等人 工智能（AI）技术，以更高的效率和更低成本获得符合特 床有效性和特点进行解析，提高中药创新药转化决策质量、 效率和成本效益。 6.基于风险的临床试验管理 3 面向临床试验方案设计、患者招募、风险管理等业务 活动，针对数据合规管理等需求，利用深度学习、自然语 言分析等数字技术，构建疾病模型，分析过往相似性试验 计划，快速评估临床试验的可实现性及潜在风险，从而进 一步优化试验计划及方案；结合真实世界数据、人工智能 （AI）技术，自动筛选符合入组标准的患者，提高招募效 型搭建、增强现实/虚拟现实（AR/VR）等技术，提高工厂 设计效率，优化工厂布局，缩短工厂建设周期。 10.数字孪生工厂建设 面向设备、产线、车间、工厂的数字孪生建设，应用 物联网、多物理场仿真、机器学习等技术，实现生产全流 程模拟，提高产品质量和生产效率，减少资源浪费和环境 污染。 11.智能原料药工艺设计 应用数智技术在原料药工艺开发和优化方面提高效率， 5 提升工艺放大和生产技术转移的准确性，在生产过程中有