本地部署的医疗大模型探索

在日常生活中，许多人对大模型存在一些误解。

有人认为大模型需要高端硬件配置，非得依赖云端的GPU阵列才能运行。

有人觉得大模型就是简单的对话机器人，只能一问一答，难以与其他软件融合。

还有人认为大模型容易产生不切实际的“幻觉”，写写文章、逗乐一下尚可，但若要应用于严肃的行业则远远不够成熟。

自2023年ChatGPT诞生至今，仅仅一年多的时间里，各种创新应用如雨后春笋般涌现。这些误解，或许是因为人们对这一新兴技术的了解还不够深入。

今天，我将通过一个实例，展示大模型在医疗行业中的独特应用，希望能引发大家的深入思考和讨论。

事实上，大模型不仅可以轻松安装在个人电脑上，而且运行效率也相当可观。这里特别推荐Ollama，一个开源的深度学习框架。它致力于简化大型语言模型在本地电脑的部署流程，提供简洁易用的API，降低技术门槛，同时保持高性能和轻量化的资源占用。更重要的是，它支持多平台运行，拥有良好的可扩展性，并拥有一个活跃的社区，持续为用户提供支持与更新。

值得一提的是，Ollama提供了70多个大模型供用户免费使用！今天，我们就来体验一下阿里最新的千问大模型在医疗领域的应用潜力。

安装并运行Ollama框架。

ollama run qwen2

编写Python代码，调用Ollama的大模型（Qwen2 千问2）。

import ollama``def call_ollama(model, message):`    `try:`        `response = ollama.chat(model=model, messages=[message], stream=True)`        `return [chunk.get('message', {}).get('content', '') for chunk in response if 'content' in chunk.get('message', {})]`    `except Exception as e:`        `st.error(f"Error calling Ollama API: {e}")`        `return []

利用Streamlit搭建简易网页前端，实现与大模型的实时互动。

# 此段代码用于病情与病例整理的界面交互，并通过调用外部模型进行数据处理``st.title = "病例整理"``user_input = st.text_area('', '', height=400)  # 提供一个文本区域供用户输入``   ``# 如果用户点击“提交”按钮``if st.button('整理病例'):`    `# 构造用户输入的消息列表`    `user_input += '请把以下资料和数据，整理为数据表格。对检验指标，请加以解释说明。 '  # 向用户显示提示信息`    `messages = [{'role': 'user', 'content': user_input}]`    `# 调用外部模型处理用户输入`    `response_chunks = call_ollama(model_choice, messages[0])`    `# 将模型返回的结果合并为一个字符串`    `final_response = ''.join(response_chunks)`    `# 输出final_response到页面`    `st.write(final_response)``   ``   ``if st.button('治疗方案'):`    `user_input += '请寻找治疗方案和临床治疗路径，有相关文档请列出，整理后以表格形式用中文输出。 ' # 向用户显示提示信息`    `messages = [{'role': 'user', 'content': user_input}]`    `# 调用外部模型处理用户输入`    `response_chunks = call_ollama(model_choice, messages[0])`    `# 将模型返回的结果合并为一个字符串`    `final_response = ''.join(response_chunks)`    `# 输出final_response到页面`    `st.write(final_response)

运行streamlit，网页应用开始运行

streamlit run Ollama_LLama.py

这个简单应用非常适合医院内疑难杂症的多学科会诊场景。医生们往往需要整理大量的检查报告、病人主诉、病史及过往治疗方案等资料。这是一项繁琐却至关重要的工作。在整理好这些材料后，医生们会进行多学科会诊，并希望了解相关病例的文献和临床路径。虽然大模型目前尚未获得行医资格，但它却能在病例资料整理、相关文献查找等方面为医生提供有力支持。

下面就是调用大模型后得出的成果，令人眼前一亮！

本次演示是在我的MacBook Pro上运行的，通过编程语言将大模型集成到网页应用中，并成功输出了所需结果。我并没有对大模型进行微调或者增加本地数据库，而是利用大模型本身的能力整理病例。

这仅仅是一个开端，旨在抛砖引玉。那么大家在医疗领域，还能想到哪些大模型的应用场景呢？期待大家的踊跃讨论！

那么，如何学习大模型 AGI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

-END-

---

👉AGI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉AGI大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉AGI大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓