扁鹊（Bianque）开源了生活空间健康大模型。结合多个中文医疗问答数据集，分析其中的单轮/多轮特性以及医生问询特性，结合自建的生活空间健康对话大数据，构建了千万级别规模的扁鹊健康大数据，基于此选择 ChatGLM6B 作为初始化模型，经过全量参数的指令微调训练得到。项目地址：https://github.com/scutcyr/bianque。
扁鹊（Bianque）是由华南理工大学未来技术学院广东省数字孪生人重点实验室开源的一个模型。扁鹊1.0版本：侧重于问诊能力，能够帮助用户准确地描述和分析健康问题。扁鹊2.0版本：更侧重于建议能力，在不断的迭代优化中，进一步加强了问询与建议的双重能力，为用户提供更全面的健康服务。
一、模型特点
1. 数据基础：
整合多种数据源：研究团队结合了当前开源的中文医疗问答数据集，如 meddialogcn、imcsv2、chipmdcfnpc、meddg、cmedqa2、chinesemedicaldialoguedata 等，对这些数据集中的单轮/多轮特性以及医生问询特性进行分析。同时，还融入了实验室长期自建的生活空间健康对话大数据。数据来源广泛且多样，不仅包括各种医疗文献、病例记录，还包含了大量实际的医患对话数据等。这种多样性使得模型能够学习到不同场景下的健康问题表述和处理方式，更好地适应不同用户的提问风格和需求。
2. 模型训练：
构建大规模语料库：通过对上述数据的整合与处理，构建了千万级别规模的扁鹊健康大数据（bianquecorpus）。这些数据采用“病人：xxx\\n医生：xxx\\n病人：xxx\\n医生：”的统一指令格式，为模型的训练提供了丰富的素材。
丰富的数据能够涵盖各种常见疾病、症状表现、治疗方法以及不同人群的健康状况等多方面的信息，从而可以对各种健康相关的问题进行更全面、准确的理解和解答。
选择初始化模型：以 chatglm6b 作为初始化模型，该模型具有一定的语言处理能力和基础参数，为扁鹊模型的训练提供了良好的起点。
全量参数指令微调：在 chatglm6b 的基础上，进行全量参数的指令微调训练。这种训练方式能够使模型更好地适应健康领域的问答任务，提高模型的准确性和实用性。
3. 功能特点：
多轮问询能力：与常见的开源医疗问答模型不同，扁鹊模型注重多轮问询。它能够根据用户的回答不断追问，以获取更详细的信息，类似于医生与患者之间的真实交流过程。这有助于更准确地理解用户的健康问题，提高诊断和建议的准确性。能够模拟医生的问询过程，当用户提供的信息不足或不明确时，模型会进行持续的多轮问询，以获取更详细、准确的信息。这有助于更精准地理解用户的健康状况，避免因信息不完整而导致的误判或不准确的建议。
建议能力：在经过多轮问询获取足够信息后，扁鹊模型可以综合分析并给出相应的健康建议。例如，对于疾病的预防、治疗方案的选择、生活方式的调整等方面，都可以提供专业的建议。
深度理解用户需求：通过对大量数据的学习和分析，能够理解用户提问的意图和背后的潜在健康问题，即使用户的表述不够专业或准确，也能尽可能准确地理解并给出相应的回应。
二、优势
1. 专业的健康建议提供：
基于数据的建议：依托丰富的数据和强大的算法，能够根据用户提供的健康信息，给出专业的健康建议，包括疾病的预防措施、治疗方案的参考、生活方式的调整建议等。这些建议具有一定的科学性和实用性，可以为用户提供有效的健康指导。
不断更新与优化：研发团队可以不断对模型进行更新和优化，使其能够及时跟上医学知识的更新和发展，确保提供的健康建议始终保持准确性和时效性。
2. 高效的运算处理能力：
快速响应：采用先进的技术和算法，能够在短时间内对用户的提问进行快速响应，及时给出回答，提高用户的使用体验。即使面对大量的用户请求，也能保持较高的响应速度，满足用户的实时需求。
资源优化：经过优化的模型架构和参数调整，能够在保证性能的前提下，尽可能降低对计算资源的需求，提高资源利用率，便于在不同的硬件环境下部署和应用。
3. 开源与合作性：
开源特性：作为开源模型，为广大开发者和研究人员提供了一个基础平台，他们可以基于此进行二次开发和创新，推动健康大模型技术的不断发展和完善。
合作机会：开源也为与其他机构和企业的合作提供了机会，各方可以共同探索模型在不同领域的应用，整合更多的资源和数据，进一步提升模型的性能和应用价值。
三、不足之处
1. 数据局限性：
数据偏差：尽管构建了千万级别的健康对话大数据，但数据来源可能存在一定的偏差。比如，数据可能主要来源于特定的医疗记录、在线咨询平台等，这些数据不一定能完全代表真实的、全面的健康状况和疾病情况，可能会影响模型的诊断和建议的准确性。
数据更新不及时：医学知识和健康信息在不断更新和发展，模型所使用的数据如果不能及时更新，就可能导致给出的建议或诊断依据过时。例如，对于一些新出现的疾病、新的治疗方法或药物，模型可能无法及时掌握相关信息，从而影响其应用效果。
2. 诊断准确性问题：
复杂病症的诊断困难：对于一些复杂的疾病或多种疾病并发的情况，模型可能难以准确诊断。因为疾病的表现往往是多样的，而且不同疾病之间可能存在相似的症状，仅依靠患者的描述和现有的数据，模型可能无法准确区分和判断。例如，对于一些罕见病或疑难病症，模型的诊断能力可能有限。
缺乏实际检查信息：模型主要依据用户输入的文字信息进行分析和诊断，缺乏实际的检查数据，如血液检测、影像学检查等。这使得模型在诊断过程中可能会忽略一些重要的信息，导致诊断结果不够准确。与现实中医生可以通过多种检查手段来综合判断病情相比，模型的诊断依据相对单一。
3. 缺乏人文关怀和情感理解：
沟通方式机械：在与用户的沟通中，模型可能会显得比较机械，缺乏人性化的沟通方式和情感理解。例如，用户在描述病情时可能会带有焦虑、恐惧等情绪，模型可能无法很好地理解和回应这些情绪，只是单纯地给出诊断建议，这可能会影响用户的体验和对模型的信任度。
无法提供心理支持：在健康领域，除了身体疾病的诊断和治疗，心理支持也非常重要。然而，模型目前主要侧重于生理健康方面的诊断和建议，对于用户的心理需求和心理问题，可能无法提供有效的支持和帮助。
4. 隐私和安全问题：
数据泄露风险：模型需要收集和处理大量的用户健康数据，这些数据包含用户的个人信息、疾病史等敏感信息。如果模型的安全防护措施不够完善，就可能存在数据泄露的风险，对用户的隐私造成威胁。
数据滥用风险：收集到的大量健康数据可能会被用于其他目的，如商业推广、科研等，如果没有得到用户的明确授权，就可能构成数据滥用，引发用户的不满和法律问题。
5. 应用场景的局限性：
无法替代医生面诊：虽然模型可以提供初步的诊断建议和健康咨询，但在很多情况下，仍然无法替代医生的面诊。例如，对于一些需要进行体格检查、手术治疗等的疾病，模型无法提供实际的治疗服务，用户仍然需要前往医院就诊。
不适合紧急情况：在紧急情况下，用户需要及时得到专业的医疗救助，而模型的响应速度和处理能力可能无法满足紧急情况的需求。因此，模型在紧急医疗救援方面的应用受到限制。
四、领域应用
1. 在线医疗咨询：
症状分析与诊断辅助：用户向模型描述自己的健康状况，如“我最近经常头疼，还伴有恶心的症状”，扁鹊模型可以根据输入的信息进行多轮问询，例如询问头疼的频率、疼痛程度、是否有其他并发症状等，以更全面地了解病情，然后基于其训练数据和算法，给出可能的疾病诊断方向或建议进一步进行的检查项目。
疾病预防建议：对于一些常见的健康问题，模型可以根据用户的生活习惯、家族病史等信息，提供针对性的预防建议。比如，对于有心血管疾病家族史且长期久坐、饮食不健康的用户，模型可能会建议定期进行体检、增加运动量、调整饮食结构等。
2. 医疗教育与培训：
辅助医学教学：医学教育工作者可以利用扁鹊模型向学生展示真实的病例分析过程，帮助学生更好地理解疾病的诊断和治疗思路。例如，教师可以输入一个病例的初始信息，让学生与模型进行互动，观察模型的问询过程和给出的建议，然后引导学生进行讨论和分析，提高学生的临床思维能力。
培训医疗从业者：对于在职的医疗从业者，扁鹊模型可以作为一种培训工具，帮助他们提升问诊技巧和疾病诊断能力。通过模拟各种复杂的病例场景，让医疗从业者与模型进行互动，学习如何更有效地收集患者信息、进行准确的诊断和制定合理的治疗方案。
3. 慢性病管理：
病情监测与评估：慢性病患者可以定期向扁鹊模型输入自己的健康数据，如血糖、血压、心率等，以及日常的饮食、运动、用药情况等。模型可以根据这些信息对患者的病情进行监测和评估，及时发现病情的变化趋势，提醒患者采取相应的措施。例如，如果患者的血糖连续几天升高，模型会提示患者调整饮食或增加运动量，或者建议患者及时就医。
个性化治疗方案制定：根据患者的病情、身体状况、生活习惯等因素，扁鹊模型可以为慢性病患者制定个性化的治疗方案。例如，对于糖尿病患者，模型可以根据患者的血糖控制目标、体重、年龄等因素，计算出每天所需的胰岛素剂量和饮食摄入量，并提供相应的运动建议。
4. 健康科普与宣传：
知识问答与科普文章生成：可以利用扁鹊模型的知识储备，回答公众关于健康方面的各种问题，如“感冒了应该吃什么药”“如何预防近视”等。同时，还可以根据用户的需求，生成相关的科普文章，以通俗易懂的语言向公众普及健康知识，提高公众的健康意识和自我保健能力。
健康讲座与培训材料制作：在开展健康讲座或培训活动时，组织者可以借助扁鹊模型生成相关的讲座内容和培训材料，使讲座和培训更加生动、专业、有针对性。例如，根据讲座的主题，模型可以提供相关的案例分析、数据统计、预防措施等内容，帮助组织者更好地准备讲座和培训材料。
扁鹊（Bianque）模型可以应用于在线医疗咨询、智能健康助手、医疗教育等领域，为人们提供便捷、准确的健康服务。用户可以通过与模型的交互，获取关于疾病诊断、治疗、预防等方面的信息，帮助人们更好地管理自己的健康。同时，该模型也为学术界提供了一个研究基础，有助于推动大模型在健康领域的进一步发展。
