患者模拟，不一样的医疗大模型应用

这篇文章是《关于hippocratic.ai和glass.health的产品讨论》的后续实践篇。之前我们聊过产品思路和可能的技术实现，其中最亮眼的功能莫过于——患者模拟。

这个方向特别值得展开。传统在线问诊产品，更关注的是医生模拟——希望用算法辅助甚至替代医生完成具体工作（至于“要不要代替医生”，那是另一个无趣且没有意义的话题）。而这里聚焦的是患者模拟：利用大模型的能力，生成一个能跟人类医生对话的虚拟患者。

医生资源昂贵且稀缺，所以“机器换人”的讨论有现实基础。换个角度看，具备特定特征的真实患者同样稀缺——所以“机器换人”在这个场景下同样有意义。应用场景包括但不限于：年轻医生通过与模拟患者的对话提升医患沟通能力、医生能力培训与考核，等等。更进一步，这其实是个性化AI的一个实践方向，类似Character.ai的玩法，又带点心理咨询机器人的味道，总之让人兴奋。

之前那篇文章里，我们梳理了可能的技术实现思路：

这次实践保持一致性：设定一个带着宝宝的妈妈与儿科医生之间的对话场景，用大模型模拟那位妈妈。

按照上述思路，可以通过设计prompt来实现不同角色的模拟。这里分别用OpenAI的API和ChatGLM2-6B作为模型服务。

先用OpenAI模型扮演医生，简单prompt是：“

” 效果如下：

第一个问题：OpenAI的服务后端可能针对医疗问题做了特殊处理，导致模型似乎抗拒扮演医生。典型表现是“作为医生，我不能为您的宝宝开处方药”——这句话本身还有事实性错误。其次，模型回答过于严谨、受约束，风格与真实医患对话的节奏不一致。猜测这与指令微调阶段的QA构造范式有关，本质上是一种数据偏置。

再看ChatGLM2模型的效果：

经过优化的ChatGLM2在扮演医生上表现相对更好。典型的第二轮回答：“宝宝发烧3天了，而且有呕吐的症状，这让妈妈很担心。” 紧接着追问：“可以给宝宝多喝水吗？” 既有上下文利用，又有合理推理，还辅以恰当追问，效果符合预期。但问题也存在——废话偏多、语境不一致，比如第三轮的回答。

接下来用OpenAI模型扮演患者，prompt设计为：“

” 效果如下：

整体对话流程相对流畅，不像扮演医生时那么抗拒。但也有明显问题：第三轮的回答暴露了模型只是在“扮演”患者——尤其是那句“请提供更多相关信息…”。

ChatGLM2的效果如下：

回答整体流畅，不过现实中似乎很少有每次回答都这么长的宝妈，存在一些废话。

接着，我们专注在自己训练的患者模型上。快速验证思路，采用主流技术路线：基于ChatGLM + SFT，微调方式用P-Tuning。目前还没有系统比较LoRA/P-Tuning等各种PEFT方案，感兴趣的读者可以自行探索。为了训练模型，首先需要医患对话数据。可以从好大夫等互联网问诊平台爬取，这里选用的是CCL2021的医患对话数据集（儿科），约2000个真实对话。这也是前面场景选择儿科的缘由。

考虑到上下文拆解，2000个真实对话进一步扩充，最终训练数据集约为原来的10倍。关键参数如下：

LR=1e-2
PRE_SEQ_LEN=128
python3 main.py --do_train --train_file $CHAT_TRAIN_DATA --validation_file $CHAT_VAL_DATA --prompt_column prompt --response_column response --history_column history --overwrite_cache --model_name_or_path ../THUDM/chatglm-6b
--output_dir $CHECKPOINT_NAME --overwrite_output_dir --max_source_length 1024 --max_target_length 64 --per_device_train_batch_size 16 --per_device_eval_batch_size 32 --gradient_accumulation_steps 8 --predict_with_generate --max_steps 5000 --logging_steps 300 --sa ve_steps 625 --learning_rate $LR --pre_seq_len $PRE_SEQ_LEN

实际构造的训练数据格式如下：

针对患者模拟场景，自己训练模型的对话效果如下：

在较短上下文中，模型回答整体流畅。特别是第二轮回答“之前…现在”的转折，比较自然。但相比OpenAI和ChatGLM2，模型扮演的宝妈显得比较冷淡，回答简短，没有转折或追问，体验上未拉齐真实对话场景。

回答整体流畅，有正面回答也有内容补充。

较短上下文中，模型只能理解就近轮次的问答，基本是一问一答，体验生硬，达不到产品预期。对话3显著增加了上下文长度。第一个回答有现象描述、有追问；第三个回答有追问、有自己理解的潜在诊疗方法，且无事实错误。整体体验显著优于短上下文。

还有一些问题对话：

典型问题是“大便次数是每天34次”。这里的“34”可能是想表达“3、4”次。问题来源可能是训练数据中实际表述方式，也可能是模型只学到这是一个数字，具体量级不确定。第二轮补充回答与问题语义不一致。第三轮存在事实性错误。一个显著模式：前半句语义一致，但句子内部内容不一致。

这位“宝妈”心真大，宝宝咳嗽一周了，还大方地说“没去”。

“橘子”并不是“辛辣刺激性”的东西，这里存在事实错误。可能的原因是：实际对话中，宝妈否认了吃辛辣刺激性的东西，但补充说吃了非辛辣刺激性的东西比如橘子，模型因此混淆，认为橘子属于辛辣刺激性。第三个回答则完全偏离预期。

整体来看，虽然还有大量细节没有优化，但已经可以得出一个基本结论：这件事在技术上具备实际可行性。进一步可以往病种维度、科室维度延伸。功能上可以整合医生考试培训类产品，最终延伸到模拟医学这个大方向。

关于大模型的价值判断，一个核心观点是：热度总会回落到一个较低点，但只要这个较低点比上一轮热度回落的较低点高，就带来了实际价值——高度差就是大模型真正带来的价值区间。从目前社区所处的位置看，最热的阶段已经过去，但仍处于继续下落的区间，尚未到底。这恰恰是给大模型应用开发者留出的时间窗口。