基于 Ollama 与 Qwen 的本地医疗大模型应用实践

依赖管理

创建 requirements.txt 以确保环境一致性：

ollama
streamlit
pandas

安装依赖：

pip install -r requirements.txt

四、前端交互界面实现

使用 Streamlit 搭建简易 Web 应用，实现与大模型的实时互动。创建 app.py：

import streamlit as st
import ollama
import pandas as pd

st.set_page_config(page_title="医疗病例助手", layout="wide")
st.title("🏥 本地医疗病例智能助手")

# 侧边栏配置
with st.sidebar:
    st.header("设置")
    model_choice = st.selectbox("选择模型", ["qwen2:7b", "qwen2:1.5b"])
    temperature = st.slider("温度 (创造性)", 0.0, 1.0, 0.7)
    st.info("提示：本工具仅供辅助参考，不替代专业医疗诊断。")

# 初始化会话状态
if "messages" not in st.session_state:
    st.session_state.messages = []

# 显示历史对话
for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.markdown(message["content"])

# 用户输入区域
user_input = st.text_area("请输入患者主诉及检查报告", height=200, placeholder="例如：患者男，45 岁，近期出现胸闷气短...检验指标显示...\n")

# 功能按钮
col1, col2 = st.columns(2)

with col1:
    if st.button("整理病例资料"):
        if user_input:
            prompt = f"{user_input} 请把以下资料和数据，整理为结构化表格。对检验指标，请加以解释说明。"
            messages = [{'role': 'user', 'content': prompt}]
            
            with st.spinner("正在分析..."):
                response_chunks = ollama.chat(model=model_choice, messages=messages, stream=True)
                full_response = ""
                for chunk in response_chunks:
                    if 'message' in chunk and 'content' in chunk['message']:
                        content = chunk['message']['content']
                        full_response += content
                        st.write(content)
            
            st.session_state.messages.append({"role": "user", "content": prompt})
            st.session_state.messages.append({"role": "assistant", "content": full_response})

with col2:
    if st.button("查询治疗方案"):
        if user_input:
            prompt = f"{user_input} 请寻找相关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。"
            messages = [{'role': 'user', 'content': prompt}]
            
            with st.spinner("正在检索知识..."):
                response_chunks = ollama.chat(model=model_choice, messages=messages, stream=True)
                full_response = ""
                for chunk in response_chunks:
                    if 'message' in chunk and 'content' in chunk['message']:
                        content = chunk['message']['content']
                        full_response += content
                        st.write(content)
            
            st.session_state.messages.append({"role": "user", "content": prompt})
            st.session_state.messages.append({"role": "assistant", "content": full_response})

运行应用：

streamlit run app.py

五、应用场景分析

5.1 多学科会诊（MDT）支持

医生在进行疑难杂症会诊前，需要整理大量检查报告、病史及过往治疗方案。该工具可自动提取关键信息并生成结构化摘要，节省医护人员时间。

5.2 临床路径推荐

基于输入的病例特征，模型可检索内部知识库（需配合 RAG 架构），提供符合指南的治疗建议参考，辅助医生决策。

5.3 患者教育材料生成

根据诊断结果，自动生成通俗易懂的患者宣教文案，帮助患者理解病情。

六、局限性与注意事项

尽管本地部署大模型具有显著优势，但在医疗场景下仍需注意：

1. 幻觉风险：大模型可能编造医学事实。所有输出必须经过专业医师审核。
2. 合规性：目前大模型尚未获得行医资格，仅能作为辅助工具，不可直接用于确诊。
3. 数据安全：虽然本地运行，但仍需防止设备丢失导致的数据泄露，建议开启磁盘加密。
4. 知识时效性：基础模型的知识截止于训练结束时间，对于最新指南可能滞后。建议结合向量数据库进行 RAG（检索增强生成）扩展。

七、进阶方向：RAG 架构

为了进一步提升准确性，可引入检索增强生成（RAG）技术：

1. 构建知识库：将最新的临床指南、药品说明书转化为文本片段。
2. 向量化存储：使用 Embedding 模型将文本转为向量存入本地向量库（如 ChromaDB）。
3. 检索增强：在调用 LLM 前，先检索相关片段作为上下文输入。

示例代码结构：

# 伪代码示意
from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings

# 加载本地向量库
db = Chroma(persist_directory="./medical_db", embedding_function=embeddings)

# 检索相关文档
relevant_docs = db.similarity_search(query=user_input, k=3)
context = "\n".join([doc.page_content for doc in relevant_docs])

# 构造 Prompt
final_prompt = f"基于以下背景知识：{context}\n\n问题：{user_input}"

八、总结

本文详细展示了如何在本地 PC 上利用 Ollama 和 Qwen 模型构建医疗辅助应用。通过 Streamlit 快速搭建交互界面，实现了病例整理与治疗建议查询功能。这种模式不仅降低了技术门槛，更保障了医疗数据的隐私安全。

未来，随着端侧算力提升和模型压缩技术的进步，本地化 AI 将在更多垂直领域发挥关键作用。希望本案例能为医疗信息化从业者提供有价值的参考。

免责声明：本文所述技术方案仅供学习交流，不构成任何医疗建议。实际应用请务必遵循相关法律法规及医疗规范。