首页

科研动态

当前位置: 首页 > 科研动态 > 正文

朱正忠教授团队联合研发仲景中医大模型 ZhongJingGPT,开创辨证推理与智能问诊新范式

日期:2026-11-17

近日,由复旦大学、福耀科技大学、上海中医药大学附属龙华医院、内蒙古医科大学等多家单位联合完成的研究成果ZhongJingGPT(仲景 GPT)正式刊发于《清华大学学报自然科学版(英文)》(Tsinghua Science and Technology)2027 年第 1 期。我院计算与人工智能学院朱正忠教授作为论文共同通讯作者,参与了该项跨学科研究工作。

中医诊疗以望闻问切、四诊合参与辨证论治为核心,不仅要求模型具备基础的症状识别与专业术语理解能力,还需要在动态问诊过程中统筹寒热、虚实、舌脉及病史等多维信息,完成严谨的辨证推理。长期以来,中医古籍语义晦涩、隐性知识关联复杂、多轮问诊路径难以显式建模等难题,使得通用大语言模型在中医深度临床推理场景中存在明显瓶颈。

面向上述挑战,该跨学科团队于2023年5月率先推出国内首个中医大模型ZhongJingGPT(仲景 GPT),探索将中医专家知识体系与结构化诊疗思维深度融入大语言模型,为中医专业知识解析、多轮模拟问诊及智能辅助诊疗研究搭建系统化、可评估的技术方案。

该研究以 Baichuan2-13B-Chat 为基座模型,面向中医多样化诊疗场景构建定制化指令集。经过分层抽样、临床医师审核与严格质控,搭建了包含 111972 条高质量样本的中医指令集,覆盖古籍文献、症状证候、舌脉表征、诊疗分析、方药知识及随访交互等全流程维度,并采用 LoRA 低秩自适应微调技术完成高效的领域适配。

研究进一步创新引入症状序列搜索策略与医学有限状态机(Medical Finite State Machine,MedicalFSM),借鉴中医经典 “十问歌” 的系统问诊逻辑,将患者主诉提取、临床信息补充与后续追问组织为可动态转换的对话状态,显著提升模型问诊流程统筹与关键信息采集能力。

评测结果显示,ZhongJingGPT 在中医证候辨识任务(TCM-SD)准确率达 62.09%,CMMLU 评测准确率 61.35%,两项指标均优于 GPT-4 基线;在临床医师参与的 LOPAC 五维评价(逻辑性、客观性、专业性、准确性和完整性)中,模型平均得分 7.984 分,明显优于 GPT-4 基线的 6.729 分。 基于 100 例模拟多轮问诊病例消融实验验证:集成 MedicalFSM 模块后,模型中医诊断准确率由 75% 提升至 86%,信息采集完整性由 81.2% 提升至 93.4%;完整问诊所需平均对话轮次由 17.1 轮增加至 24.3 轮,体现了更加规范、完备的问诊交互过程。该工作打通“中医知识学习—情境化推理—结构化问诊—多维度评价”全链条,为中医大模型构建与科学评测提供了可参考的技术路线。

据悉,该成果为人民日报党媒平台、山东卫视、第一财经、央广网、东方网、中国医药报、界面新闻等媒体报道,受邀在上海自然博物馆科普展览,获得国家卫健委第二届全国数字健康创新应用大赛一等奖、2024英特尔中国学术峰会最佳展示奖和百川·亚马逊云黑客松医疗赛道亚军。


项目GitHub链接:

https://github.com/pariskang/CMLM-ZhongJing

模型开源链接:

https://huggingface.co/CMLM/ZhongjingGPT1_13B

        https://huggingface.co/CMLM/ZhongJing-2-1_8b