8.7 KiB
8.7 KiB
人工智能服务 模块规划
1. 模块定位
人工智能服务平台是以国产大模型（DeepSeek等）为基础的医养专项AI能力集群，通过对医疗多模态数据的预训练和垂直微调，为医养平台各业务系统提供智能推荐、医疗审核辅助、知识检索、辅诊统计分析等标准化AI能力。
本系统不面向终端用户，而是作为AI能力中间层，通过API向其他业务模块（居家养老、医养商城、慢性病管理、全生命周期监测等）提供AI服务支撑。
2. 建设目标
- 构建基于大模型的临床决策辅助系统（智能推荐+辅诊+医疗审核）
- 构建医养知识检索系统（疾病/药物/诊疗方案多维度知识库）
- 构建区域辅诊监测分析系统（机构级/区域级辅诊效果评估）
- 提供大模型能力的安全、标准化API输出
- 建立AI模型的全生命周期管理（训练→测试→部署→监控→迭代）
3. 核心功能范围
3.1 一级模块
- 智能推荐
- 医疗审核
- 知识检索
- 区域辅诊监测分析
- 大模型管理平台
3.2 二级功能清单
智能推荐（11项）：
- 关联症状问诊推荐
- 进一步问诊推荐
- 疑似诊断推荐
- 特殊疾病处置建议
- 误诊提醒
- 漏诊提醒
- 危急重症提醒
- 检查检验推荐
- 用药推荐
- 操作治疗推荐
- 手术推荐
医疗审核（4项）：
- 检查合理性审核
- 检验合理性审核
- 操作治疗合理性审核
- 手术合理性审核
知识检索（17项）：
- 关键字/疾病/药物/临床路径/指南/病历/检验/检查/症状/手术/操作治疗/量表/健教知识/文献/法律法规目录检索
- 知识收藏
- 知识库维护
区域辅诊监测（7项）：
- 辅诊查询（机构/区域）
- 审核查询
- 风险查询
- 辅诊统计
- 审核总体统计
- 检查检验审核统计
- 手术操作审核统计
- 诊断质控统计
3.3 核心架构说明
| 层次 | 内容 |
|---|---|
| 大模型基座 | DeepSeek等国产大模型，通用理解和生成能力 |
| 垂直预训练 | 医疗文献、临床指南、中医古籍、药品说明书 |
| 场景微调（SFT） | 辅诊任务、用药推荐、护理方案等场景数据 |
| AI应用层 | 各业务场景调用的标准化API接口 |
| 监控运维层 | 模型性能监控、Hallucination检测、版本管理 |
4. 与现有 mall 的关系
契合度：D（不适配）
mall 是通用电商平台，不具备任何医疗AI能力：
| 能力需求 | mall 现状 | 结论 |
|---|---|---|
| 大模型部署与微调 | 无 | 须独立建设（需GPU算力） |
| 医疗知识库与向量检索 | 无 | 须独立建设 |
| 辅诊推荐算法 | 无 | 须独立建设 |
| 医疗合规审核规则 | 无 | 须独立建设 |
| 区域AI监测分析 | 无 | 须独立建设 |
mall 是通用电商平台，不具备任何AI训练和推理能力，强行堆入会导致架构崩溃（GPU算力需求与电商系统运行需求完全不同）。
5. 规划判断
独立系统建设（AI平台，高专业性）
- AI推理服务：Python FastAPI（GPU服务器部署）
- 知识库检索：Elasticsearch + 向量数据库（Milvus/Qdrant）
- 管理界面：Vue3 Web（模型管理、知识库维护）
- 算力：GPU服务器（推荐A100/H100）或云GPU（阿里云/腾讯云GPU实例）
- 大模型：DeepSeek-R1 或 DeepSeek-V3（中文医疗能力强的国产模型）
6. 需新增业务能力
- 医疗知识图谱构建：疾病-症状-药物-检查-治疗方案关联关系网络
- 向量化医学文档库：临床指南/诊疗规范文档向量化存储，支持语义检索
- 大模型微调管道：LoRA/QLoRA微调流程，支持定期增量训练
- 推理API服务：各AI能力（辅诊/推荐/检索）的标准化REST API
- Hallucination防护：医疗AI回答的置信度评分和人工审核机制
- 模型版本管理：多版本模型对比测试，灰度发布
7. 需新增数据模型（AI平台侧）
| 模型 | 关键字段 |
|---|---|
ai_model_registry |
id, name, version, base_model, fine_tune_type, deploy_status, accuracy_metrics(JSONB) |
knowledge_doc |
id, category, title, content, vector_embedding(vector), source, updated_at |
ai_inference_log |
id, api_endpoint, request_hash, response_hash, latency_ms, model_version, created_at |
ai_audit_record |
id, inference_id, reviewer_id, review_result, issues, created_at |
disease_knowledge |
id, icd_code, disease_name, symptoms(array), treatments(JSONB), drugs(array), source_guideline |
8. 需新增技术栈 / 第三方能力 / 中间件
| 类别 | 技术选型 | 用途 |
|---|---|---|
| 大模型 | DeepSeek-R1/V3（本地部署）或DeepSeek API | 核心推理能力 |
| 向量数据库 | Milvus / Qdrant | 知识库语义检索 |
| 全文检索 | Elasticsearch | 知识文档全文检索 |
| 模型服务框架 | vLLM / TGI | 大模型高效推理服务 |
| 训练框架 | LLaMA-Factory / Axolotl（LoRA微调） | 垂直领域微调 |
| GPU算力 | 本地A100/H100 或 云GPU（阿里云/腾讯云） | 模型推理与训练 |
| 监控 | Arize AI / 自研 | 模型性能与幻觉监控 |
9. 外部系统对接关系
| 对接方（调用方） | AI能力需求 |
|---|---|
| 慢性病管理（20） | 辅诊推荐、用药建议 |
| 医养商城（19） | 健康档案驱动的个性化商品推荐 |
| 全生命周期监测（23） | 异常行为识别、健康趋势预测 |
| 居家养老管理（10） | 服务方案AI推荐 |
| 运营管理（24） | 智能报告生成 |
| 数据中台（26） | 健康画像与风险预测模型 |
10. 风险与边界
| 风险 | 说明 | 应对 |
|---|---|---|
| 医疗AI幻觉（Hallucination） | 大模型对医疗建议可能输出错误内容 | 强制人工审核关键推荐 + RAG（知识增强检索）降低幻觉率 |
| GPU算力成本 | 本地GPU服务器成本高昂 | 初期用API接口（DeepSeek云API），规模化后自建 |
| 医疗AI合规 | 医疗AI辅助诊断受监管（需备案） | 明确定位为"辅助工具"而非"诊断工具"，符合医疗器械监管要求 |
| 数据训练合规 | 用患者数据训练模型需合规授权 | 数据脱敏处理 + 患者知情同意 |
| 边界：AI仅辅助，不替代医生 | 所有AI推荐须经医生确认后执行 | 系统界面明确标注"AI辅助建议，以医生判断为准" |
11. 实施优先级与分期建议
优先级：P2
| 分期 | 内容 | 前置条件 |
|---|---|---|
| 第一期 | 知识检索（RAG）+ 基础推荐（DeepSeek API） | 医疗知识库构建完成 |
| 第二期 | 辅诊推荐 + 用药建议 + 医疗审核 | 本地GPU算力就绪或API成本可控 |
| 第三期 | 垂直微调模型 + 区域辅诊监测 + 模型管理平台 | 标注数据积累足够 |
12. 结论
人工智能服务是整个医养平台的"智慧大脑"，其大模型部署、医疗知识图谱、辅诊推荐等核心能力在 mall 中完全缺失，必须独立建设。
建议初期采用 DeepSeek API 方式快速落地知识检索和基础推荐，待标注数据积累到一定规模后再进行垂直微调和私有化部署，降低初期投入风险。所有AI医疗建议必须设置人工审核环节，确保医疗安全。