- 综合排序
- 最热优先
- 最新优先
大模型在医疗行业的部署应用技巧与案例对比
大模型在医疗行业的部署应用技巧与案例对比嘿，医疗科技爱好者们！在这个科技飞速发展的时代，大模型就像一个超级英雄，强势闯入医疗行业，给这个传统又充满挑战的领域带来了无限可能。 | 5 - 10 年 | 数十亿美元（降低 30% - 40%）|20% - 30%|四、大模型在医疗行业部署应用的挑战与应对策略1. 数据隐私与安全挑战医疗数据包含大量患者的隐私信息，如个人身份、健康状况等。在大模型的训练和应用过程中，如何保障数据的隐私和安全是一个至关重要的问题。 法律法规与伦理挑战大模型在医疗行业的应用涉及到一系列法律法规和伦理问题，如数据使用的合规性、医疗责任的界定等。 应对策略包括加强法律法规的制定和完善，明确大模型在医疗应用中的法律责任和义务；建立伦理审查机制，对大模型的研发和应用进行伦理审查，确保其符合伦理道德标准。大模型在医疗行业的部署应用充满了机遇和挑战。
55700编辑于 2025-05-10- 来自专栏大模型应用
大模型应用：医疗行业大模型：从生成前校验到生成后审计的应用实践.73
一、引言 医疗行业对准确性、合规性、安全性有着极高的要求，大模型在医疗场景，如病历撰写、医嘱辅助、医学科普、诊断建议参考等，不能简单直接的“输入-输出”，否则可能出现医疗信息错误、违反医疗规范 而在实际的应用过程中，从最初的摸索到最后的落地，整个环节也经历了多轮的反复优化改造，也逐步形成了”生成前校验 + 生成后审计”的全链路管控，通过这一流程的控制，也很好的解决过程中一系列的问题，让大模型安全落地医疗行业有了系统的解决方案 核心目标：把 “有问题的输入” 挡在大模型门外，减少大模型生成无效、错误甚至违规内容的概率。 文本相似度计算：用于比对大模型输出内容与医疗知识库中标准内容的相似度，判断输出是否准确合规，如判断高血压的诊疗建议是否符合《中国高血压防治指南》。三、流程与原理1. 核心就是搞懂医疗场景的特殊性，不能像普通大模型那样只做输入输出，必须把隐私脱敏和内容准确性 焊死在流程里。
13443编辑于 2026-04-11 从诊室到云端：医疗大模型的应用挑战与未来探索
未来，医疗大模型有望实现多模态AI与医疗实践全流程的深入链接，应用于医疗教育和临床培训，提高药物研发和药物反应监测等方面的能力。 人工智能技术在医疗领域的优势与挑战（一）医疗大模型超越传统方法的优势特征大语言模型（Large Language Model）在医疗领域相对传统方法具有多方面的优势，不仅体现在知识的提取整合上，也体现在医疗实践的各个环节之中 在患者知情同意与应用教育培训方面，为医疗从业者和技术人员提供安全培训，帮助他们了解最佳实践和安全标准，减少使用过程中可能发生的错误和风险。 到2023年，我国在医疗大模型领域已取得显著进展，展现出多元化的趋势。在国内，这些大模型已广泛应用于医疗实践、行政管理和患者教育等领域，实现了技术和应用场景的重要突破。 此外，医学领域大模型的广泛应用缺乏相应的伦理监管和针对性法律法规，特别是在处理患者隐私数据安全方面。大模型在开发、训练、测试和实际应用中需要适应医疗实践的真实场景。
1.7K10编辑于 2024-03-04大模型研究日记：在医疗大语言模型的世界里 “打怪升级”
首先简单聊一下医疗LLM的价值，这一领域具有很好的潜力，受到了医药与AI相关领域的从业者的大量关注。 纯医疗场景上除了C端外，在B端和G端有更大的想象空间，因此国内外大量高校以及企业均在进行医疗方向的LLM研究。但是，医疗LLM与传统的聊天对话存在重要差异，属于高壁垒的额垂直领域赛道。 考虑到现在的大模型普遍存在幻觉问题，更需要对训练数据的质量以及可靠性进行严格把关。可以看出，纯计算机方向的大模型研究人员难以解决这一问题，必须有专业医生的参与。 这里我主要聚焦于技术和应用方面进行探索分析，也欢迎大家在其他方面发表意见以及交流。 训练数据对大模型的意义如同烹饪用的食材，画家的颜料，建筑的基石。 目前，Autoprompt和强化学习算法（RL-prmpt）在这一领域取得了不错的效果，但是仍存在流程繁琐的问题。 以上是我对医疗LLM数据研究的初步思考，未来会结合个人的研究实践继续完善和分析。
8210编辑于 2026-04-09YashanDB在医疗行业的应用与机遇
YashanDB在医疗行业的应用与机遇引言：医疗数据查询速度优化的挑战随着医疗行业数字化程度的不断提高，海量的医疗数据管理和实时查询成为医疗信息系统的核心需求。 YashanDB在医疗行业中，基于强大的逻辑架构，实现了客户端驱动与SQL引擎的高效协同，支持复杂SQL解析、优化和执行过程，有助于医疗数据的精准、快速访问。 HEAP存储适合事务性医疗操作，保障快速数据插入与更新；BTREE索引优先保证索引列数据的有序访问，提高基于医疗关键字段如患者ID的检索效率；MCOL存储的可变列式结构支持HTAP应用，加速医疗实时分析与事务并行处理 智能SQL优化引擎促进医疗业务高效执行YashanDB内置基于代价模型的成本优化器（CBO），通过精确的统计信息收集和执行计划优化，提升医疗业务SQL语句的执行效率。 该系统在分布式环境下实现协调实例（CN）与数据实例（DN）协作，通过分布式SQL执行流程，实现跨节点的医疗数据访问与分析，支持多医院多科室多数据源下的统一调度，推动智慧医疗系统的建设和优化。
21710编辑于 2025-10-12Java接入AI大模型：JBoltAI的实践与应用
JBoltAI作为专注Java生态的企业级AI应用开发框架，为Java技术团队提供了一套高效、贴合技术栈的AI大模型接入方案，让企业无需大幅重构现有系统，就能完成大模型能力的落地与应用。 在实际应用中，JBoltAI将AI大模型能力与具体的业务解决方案结合，让Java接入大模型后能快速落地到实际场景。 同时，JBoltAI还考虑到企业级应用的稳定性和扩展性需求，在大模型接入的过程中提供了完善的技术支撑。 框架的核心服务层包含大模型调用队列服务、AI接口注册中心等能力，能对大模型的调用请求进行统一调度、管理，避免高并发场景下的调用异常，保障大模型能力在Java系统中稳定运行；同时框架采用分层架构设计，模型能力层与业务应用层相互解耦 从行业发展来看，这类专注Java生态的AI开发框架，也成为连接传统Java企业系统与AI大模型的重要桥梁，推动AI技术在企业级应用中更广泛、更深入的落地。
24710编辑于 2026-03-06- 来自专栏PPV课数据科学社区
大数据在医疗领域的七大应用
★原文翻译★ 大数据的意义在于提供“大见解”：从不同来源收集信息，然后分析信息，以揭示用其他方法发现不了的趋势。在利用大数据发掘价值的所有行业中，医疗行业有可能实现最大的回报。 凭借大数据，医疗服务提供商不仅可以知道如何提高盈利水平和经营效率，还能找到直接增进人类福祉的趋势。 例如，美国疾病控制与预防中心（CDC）一直利用大数据对抗埃博拉病毒和其他流行病。 该机构已成功将BioMosaic作为预测、测试和锁定疾病的工具，它能够追踪潜在的疾病爆发，并就如何遏制潜在的流行病提出建议。 这只是大数据在医疗领域的众多应用之一。 以下是大数据在医疗行业的一些常见用途，包括商业运作和健康管理： 1. 分析电子病历：医生共享电子病历可以收集和分析数据，寻找能够降低医疗成本的方法。 分析医院系统：不妨想想我们在分析入院治疗的趋势时获得的好处。例如，对儿科病房医疗设备的统合分析可以更早地识别潜在的婴儿感染趋势。或者，再想想减少术后葡萄球菌感染的好处。
1.4K60发布于 2018-04-23 - 来自专栏Y-StarryDreamer
NLP在远程医疗中的应用：从原理到实践
NLP技术在远程医疗中的创新：构建智能、高效的医疗服务体系在当今社会，随着科技的飞速发展，自然语言处理（NLP）技术的应用日益广泛，尤其在医疗领域，其创新应用正深刻改变着传统医疗服务的模式。 本文将深入研究NLP在远程医疗中的多个方面的应用，从智能医疗咨询到医疗数据分析，为构建智能、高效的医疗服务体系提供详细解析。1. 引言远程医疗作为现代医疗服务的一种创新形式，通过借助通信和信息技术，实现患者与医生之间的医疗服务。随着NLP技术的引入，远程医疗不仅变得更加便捷，还赋予了医疗服务更智能、个性化的特点。 本文将通过深入探讨NLP技术在远程医疗中的创新应用，为医疗行业的发展提供新的视角。2. 未来展望NLP技术在远程医疗领域的应用仅仅是医疗科技创新的开端。随着技术的不断发展，我们有望看到更多基于NLP的医疗应用，为远程医疗带来更多便利和智能化服务。
97410编辑于 2023-11-25 - 来自专栏AI SPPECH
大模型在安全运营与威胁检测中的应用
本文将深入探讨大模型在安全运营与威胁检测中的应用，包括安全运营的基础概念、传统方法的挑战、大模型的价值、系统架构设计、核心技术实现、应用场景与案例、最佳实践及未来趋势，帮助运维工程师构建智能、高效的安全运营体系 你如何看待大模型在安全运营与威胁检测中的应用前景？你认为大模型能完全替代人工进行安全分析吗？ 你认为大模型在安全合规方面能发挥什么作用？如何确保大模型本身的合规性？ 在云原生环境中，你认为大模型在安全运营方面有哪些独特的应用场景？ 你如何评估大模型在安全运营中的投资回报率(ROI)？有哪些关键指标可以用来衡量？ 如果你在实践中有任何问题或需要进一步的指导，也可以随时提问。让我们一起探索大模型在安全运营与威胁检测中的无限可能！ 我们期待与你一起探索大模型在安全运营与威胁检测中的更多应用场景和最佳实践！
35310编辑于 2025-11-13 - 来自专栏AI SPPECH
大模型在IT资产管理与配置审计中的应用
本文将深入探讨大模型在IT资产管理与配置审计中的应用，包括IT资产管理的基础概念、传统方法的挑战、大模型的价值、系统架构设计、核心技术实现、应用场景与案例、最佳实践及未来趋势，帮助运维工程师构建智能、高效的 ↑ 边缘计算扩展 ← 业务资产一体化 ← 自适应系统 ← 知识自动化沉淀 ← 安全合规融合 互动讨论环节 通过以上的学习，相信你已经对大模型在IT资产管理与配置审计中的应用有了更深入的了解。 你如何看待大模型在IT资产管理与配置审计中的应用前景？你认为大模型能完全替代人工进行IT资产管理吗？ 结合你的实际工作经验，你认为哪些IT资产类型最适合首先引入智能管理？为什么？ 在预算有限的情况下，你会优先投资智能IT资产管理的哪个方面？为什么？ 欢迎在评论区分享你的想法和经验，让我们一起探讨大模型在IT资产管理与配置审计中的最佳实践！ 《云计算资产管理》- 赵化冰 《企业IT合规性审计》- 黄亮 《深度学习与企业应用》- 宗成庆 《IT资产管理效率提升》- 孙宁 《ITAM工具实战指南》- 阿里云技术团队 《大模型应用开发实践》- OpenAI
23710编辑于 2025-11-13 - 来自专栏京东技术
大模型在推荐系统中的精准推荐策略与实践
4.高效的特征提取能力：大模型通过深度学习技术，能够自动提取高层次特征，减少了对手工特征工程的依赖。 3.2 现有应用案例 大模型在推荐系统中的应用已经取得了一定的成功。例如： 1. 针对这一问题，可以采用分布式训练、模型压缩等技术，提升大模型在推荐系统中的应用效率。 5.2 数据隐私与安全 大模型在推荐系统中的应用，需要处理大量用户数据，数据隐私和安全问题不可忽视。 06 、实践案例：大模型在电商推荐系统中的应用 理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值 结果显示，引入大模型后，商品点击率和转化率均显著提升。 6.3 关键技术与实现细节 6.3.1 数据预处理 在实际应用中，需要对原始数据进行清洗、处理和特征工程。 通过构建精准的用户画像、提升内容理解与表示、实现实时推荐和在线学习，大模型可以显著提升推荐系统的精准度和用户体验。然而，在实际应用中，仍需面对计算资源、数据隐私和模型泛化等挑战。
2.4K10编辑于 2024-07-04 - 来自专栏社区动态
深度解析RAG技术在大模型时代的原理与实践
深度解析：潜力与挑战并存的智能新世界》，吴俊将继续分享参加 QCon 北京 2024 后的见闻，与大家一同探讨大模型应用 - RAG 的核心内容与应用。 作者简介： 吴俊（弈德） ，蚂蚁集团消金风管技术部 AI 工程团队 TL，当前负责风管大模型应用工程，承担风管部分业务场景的大模型评测，大模型推理优化及大模型应用落地。 RAG 将大型语言模型的内在知识与外部数据库融合，为知识密集型任务带来了前景。RAG 与其它技术比较在大语言模型的优化方法中，RAG 经常与 Fine-tuning（FT）和提示工程相比较。 将 RAG 技术引进到大模型应用场景，我们需要了解和优化 RAG 模型在不同应用场景下的性能。下面简要讲讲 RAG 的主要下游任务、数据集以及如何评估 RAG 系统。 多模态的 RAG 探索来自 Fabara 的解决方案负责人 - 张红兵，介绍了他们基于多模态智能引擎的大模型知识库技术应用，它们结合落地案例实践经验，针对企业实际、复杂的数据现状，提供全新的解决方式 —
4.2K21编辑于 2024-06-03 - 来自专栏深度学习与python
融合风控知识的大模型体系建设与应用实践
在 AICon 全球人工智能开发与应用大会·深圳站，腾讯算法专家欧阳天雄分享了主题演讲《大模型驱动下的智能风控落地实践》，介绍如何基于大模型技术，融合海量风控知识，解决传统风控模型在小样本 / 零样本场景下的建模难题 在整体体系上，天御的智能风控以自研风控大模型与“混元”大模型基座为基础，结合数据—模型—应用各阶段特点进行差异化应用，例如数据挖掘阶段：利用大模型进行底层特征挖掘与数据分析；在应用阶段：支持如智能投顾、 相比语言类大模型易受效率与“幻觉”影响，风控大模型结合天御覆盖的事前 / 事中 / 事后全链路，以及从流量反欺诈、支付反欺诈到金融反欺诈的多类模型实践，能够在各类场景中以统一底座快速适配。 ：结构设计、训练流程与基座模型评价指标； 模型应用：满足线上推理需求，适配差异化业务，并产出对齐大模型能力的小模型。 风控大模型的落地实践 最后是风控大模型的落地实践。简要说明我们的大模型如何对客使用，并给出两个实际案例。 首先，依托大模型的 MaaS 实践方案，我们覆盖约 80% 的客户定制建模需求。
90710编辑于 2025-11-26 - 来自专栏大模型应用
大模型应用：大模型多线程推理：并发请求的处理与资源隔离实践.77
大模型推理的单线程流程无论是否多线程，单个请求的推理流程是固定的；流程简单说明：1. 加载模型与分词器：将预训练模型和分词器加载到内存/GPU2. 人工智能的应用场景非常广泛，包括但不限于以下几个方面： 1. 自动化：在制造业、物流业、医疗保健、金融等领域，人工智能可以帮助自动化完成重复性、繁琐的任务，提高效率和准确性。 例如，在制造业中，机器人可以用于装配、焊接等任务；在物流业中，自动驾驶车辆可以实现货物的自动搬运和配送；在医疗保健领域，人工智能可以通过图像识别技术帮助医生进行疾病诊断；在金融领域，人工智能可以通过 耗时 当你运行这个程序时，它会输出以下内容： ``` Hello, 耗时：15.55秒 ===== 处理第5个请求 ===== 请求内容：请介绍一下大模型的推理过程 处理结果：请介绍一下大模型的推理过程和应用场景 六、总结 吃透大模型多线程推理与资源隔离后，最深的心得是：这项技术不是单纯堆线程、追速度，而是平衡并发效率、硬件资源与服务稳定性的工程核心。
9042编辑于 2026-04-15 YashanDB在医疗行业中的应用潜力与挑战
本文将基于行业实践和技术标准，深入解析YashanDB数据库在医疗行业应用中的技术优势和面临的挑战，为医疗信息化建设提供技术参考。 医疗行业应用中的技术挑战海量异构数据处理的高性能要求医疗行业数据来源多样，包含结构化电子健康记录、影像、基因组数据及日志文件，数据规模庞大且增长迅速。 在保证读写性能的同时，如何避免数据倾斜和热点问题，保障系统负载均衡。 对写冲突和长事务的检测与隔离效果对业务响应的影响。多版本并发控制对资源消耗的平衡与管理。技术实践建议针对不同业务场景合理选择部署架构，结合医疗应用特点配置单机、分布式或共享集群架构。 加强网络架构与内部互联总线性能优化，确保分布式查询和数据交换的高效运行。结论随着医疗数据量的快速增长与应用需求的日益复杂，数据库系统在医疗行业中的重要性持续提升。
23010编辑于 2025-09-28- 来自专栏大模型应用
大模型应用：基于本地大模型的中文命名实体识别技术实践与应用
引言 命名实体识别（NER）作为自然语言处理的基础任务，在信息抽取、知识图谱构建、智能问答等应用中具有重要作用。 随着大模型技术的快速发展，基于本地部署的大模型在NER任务中展现出显著优势。 本文通过两个典型示例——通用领域中文NER和医疗领域专用NER，深入探讨本地大模型在实际应用中的技术实现和性能表现。 本地大模型相比云端API具有数据安全、响应速度快、可定制性强等优势。 基于CMEEE数据集的医疗专用NER模型通过领域自适应训练，显著提升了在医疗文本上的表现。 通过通用领域和医疗领域的两个典型示例，我们验证了本地模型在准确性、响应速度、数据安全等方面的卓越表现。
40332编辑于 2026-01-29 腾讯健康数字化底座与医疗AI大模型应用实战解析
一、 突破系统孤岛与运维瓶颈：医疗健康产业的结构性困境 医疗健康行业在推进数字化转型与业务扩张的过程中，普遍面临IT基础设施成本畸高、数据孤岛固化以及研发创新受限的战略困境。 二、 构建全链路数智架构：云边端协同与医疗大模型技术矩阵 针对行业痛点，腾讯提供以云原生、医疗大模型、企业微信生态为核心的数字化技术与合作解决方案，实现从算力到底层业务场景的垂直贯通。 双引擎驱动的AI模型能力层： 融合通用大模型（腾讯混元、DeepSeek）与专属医疗大模型。 四、 标杆企业落地实践：跨国药企至三甲医院的转型图谱 迈瑞医疗（头部医疗器械）：联合研发重症大模型与AI辅助设备 基于腾讯医疗大模型与医学影像模型，双方联合研发全球首个投入临床的重症大模型产品。 某头部外资跨国药企：多云架构整合与业务体系化运营 该药企在转型初期存在200+应用孤岛，通过与腾讯云战略合作，将多云架构统一至腾讯云技术体系。
24910编辑于 2026-04-09- 来自专栏大模型
大模型在蓝鲸运维体系应用——大模型在可观测的增强
随着 5G、云计算和微服务等技术的深入融合与广泛应用，IT 系统架构正经历着从传统的单体架构向分布式架构乃至云原生架构的转型，这一过程使得企业所面临的 IT 运维环境变得愈发复杂。 可观测领域的大模型应用场景探索大模型技术在数据处理方面拥有非常明显的优势，正如本系列上一篇所述(☜点击回看）：语言理解：大模型通过训练可以理解和解释自然语言文本，能够回答问题、提供解释、理解指令和上下文含义等 在这些优势的加持下，大模型技术在可观测领域的应用也有着非常不错的前景。 而嘉为蓝鲸在大模型的应用方面，利用内部观测数据以及内部沉淀知识库对大模型进行训练，并结合在线大模型相结合的方式，在数据采集、数据清洗、数据统计、告警分析和处置等多个场景进行探索和落地。 场景一：数据采集在可观测场景中，经常会有新的数据需要采集，可以通过 Exporter、脚本、SQL 等方式进行采集，从零开始进行代码编写往往需要耗费不少的时间，而大模型的代码编写能力刚好可以辅助进行代码编写
1K10编辑于 2024-06-17 - 来自专栏防止网络攻击
大模型技术的发展与实践
从实际应用表现来看，大语言模型具备回答各种问题、编写文章、编程、翻译等能力，如果深究其原理，LLM建立在Transformers架构之上，并在很大程度上扩展了模型的大小、预训练数据和总计算量。 由于指令微调是一个有监督的训练过程，其优化在几个方面与预训练不同，例如训练目标（比如序列到序列的loss）和优化配置参数（比如较小的批大小和学习率）。 这些参数使得GPT-3在处理语言任务时表现出强大的能力，例如：理解和生成自然语言文本、进行有深度和上下文的对话等。所以，可以说GPT-3是大模型的一个具体应用，显示了大模型的强大能力和可能性。 五、总结与体会 我们对大模型相关的发展历史、openAI技术的发展脉络、当前国内外主流的大语言模型进行了简单的介绍，同时针对大模型区别于之前模型的核心技术原理进行了简单讲解，本章提到的预训练、指令微调、 相信通过本章的讲解，读者大致了解了大模型相关的知识。 在最后一节从内容生成、问题解答、互动式对话、生产力工具/企业服务、搜索推荐等5个维度介绍了大模型能够赋能的领域和应用场景。
2.5K10编辑于 2023-12-05 - 来自专栏澜舟科技 NLP
大模型落地实践：同花顺大模型技术应用及优化
本文根据 谌明 老师在「澜舟NLP分享会」上的演讲整理。文内从业务角度介绍了大模型技术在同花顺业务上的应用以及未来探索的方向。众所周知，大模型参数量大，通用能力强，综合性能好。 这个问句量和用户量在问答系统中应该算非常大的。图片问财对话系统在大模型的应用上有几个难点。首先，它偏重金融业务知识，并且对于时效性要求很高。 这里特别说明一下“时效性”的问题。 Continue-Train为了进一步提升大模型在实际业务中的效果，同花顺与澜舟科技合作，引入孟子Mengzi 模型中的技术 ，针对大模型进行 Continue-Train 训练，让模型更适用于金融相关的 大模型的参数增加会带来效果的提升，但是在实际应用的经济角度考虑，宁可损失一些效果，尽量减少对资源的占用，所以我们投入了很大的精力做“模型轻量化”工作。 总结大模型技术在同花顺业务中的应用基本都有比较好的通用性，并且带来了比较好的性能提升，我们也希望在医疗、法律、教育等领域的子公司业务中推广，同时和澜舟科技以及学术界的老师们合作，把大模型用得更好，谢谢大家
3K20编辑于 2022-08-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号