智汇新安：知识图谱与大模型驱动的中医诊疗新范式
基于人工智能的新安医学智能辅助诊疗系统研究
本文提出了一个集成人工智能技术的新安医学智能辅助诊疗系统，结合了知识图谱与大语言模型（LLM）。通过对新安医学古籍医案的结构化处理，利用 LangChain 框架实现了基于 ChatGLM-6B 的本地知识库检索与问答，显著提升了中医典籍的传承效率与临床参考价值。
TL;DR
本文介绍了一项针对特定中医流派——新安医学的智能化研究。作者通过构建结构化知识库，微调信息抽取模型（UIE），并结合 LangChain + 向量数据库 + ChatGLM 技术栈，成功将晦涩难懂的古籍医案转化为可交互、高可靠的智能诊疗系统。该系统不仅能通过知识图谱可视化医家用药规律，还能提供具备专业背景的对话问答。
1. 痛点：被锁在纸面上的“长寿智慧”
新安医学有着 800 余年的历史，留下了超 800 部著作。然而，这些经验在现代应用中遭遇了“水土不服”：
- 非结构化难题：古籍描述随意，同样一种药有“冬白术”、“于术”等多种称呼。
- 逻辑黑盒：名医的辨证逻辑隐藏在文字间，难以直接通过关键词检索获取。
- 幻觉风险：直接问通用大模型（如 GPT），它往往会编造药方，在中医这种人命关天的领域是不可接受的。
2. 核心技术架构：从数字化到知识化
系统的核心在于将“文本”转化为“知识”，其流程如下：
2.1 精准的实体识别（NER）与抽取
作者定义了包括疾病、脉象、证候、方剂等 19 类实体。为了解决中医文本复杂性，研究引入了 UIE (Unified Information Extraction) 模型。
- 创新点：通过微调，利用 Schema Prompt 引导模型理解中医语境，将实体抽取的 F1 分数从 0.14 的“无法使用”状态大幅拉升至 0.82。
2.2 知识图谱：梳理医家脉络
通过 Neo4j 图数据库，系统建立了“病-因-症、脉-证-法-方-药-效”的强关联。通过这种方式，原本零散的医案被串联成一个网络。例如，检索“叶桂”治疗“咳嗽”，不仅能看到词频统计，还能看到复杂的药物配伍网络。
3. 落地：基于大模型的本地知识库问答
为了解决大模型的可靠性问题，系统采用了 RAG (Retrieval-Augmented Generation) 架构：
- 分块与向量化：使用
bge-large-zh模型将新安医案转化为高维向量。 - 检索优先：当用户提问时，系统先在本地向量库中匹配 Top-k 个相关病案片段。
- 约束生成：将检索到的真实古籍内容作为上下文传给 ChatGLM-6B，要求其“基于以上事实回答”。
4. 实验结论：专业性与安全性的平衡
在针对中医专家的测评中，系统在**安全性（2.52/3）**上表现尤为突出。这说明结合了本地知识库的 LLM 能够有效规避“信口开河”，在药物推荐和症状分析上更具临床参考价值。
| 评价维度 | 评分 (0-3) | 表现含义 |
|---|---|---|
| 安全性 | 2.52 | 内容不误导，健康风险低 |
| 可用性 | 2.41 | 反映专业知识，符合中医理论 |
| 流畅性 | 2.54 | 响应速度快，语言自然 |
5. 专家洞察
这篇论文的价值在于其工程落地性。它没有盲目追求千亿级大参数模型，而是通过“局部微调 UIE + 强约束 RAG”的策略，在较小的计算资源下解决了中医垂直领域的高度专业化问题。未来，随着该框架接入更多流派的医案，一个真正具备“中医思维”的数字助理将成为可能。
总结：新安医学辅助诊疗系统的成功，标志着中医传承正从“数字化存证”迈向“智能化理解”的新阶段。