医疗AI助手开发：RAG架构在老年健康问答中的应用

1. 项目背景与核心目标

这个项目源于我们在软件工程创新实训课程中的一次技术探索。当时我们注意到，老年群体在获取专业医疗知识时面临诸多困难：复杂的医学术语、冗长的诊疗指南、碎片化的信息来源。而市面上大多数健康助手要么过于简单（仅提供通用建议），要么过于专业（直接复制医学文献）。

我们的核心目标是构建一个能真正解决这个痛点的AI助手：

• 专业可信：基于权威医学资料生成回答
• 通俗易懂：将专业内容转化为老年人能理解的语言
• 可追溯：每个回答都能找到出处
• 低门槛：最终要通过语音交互降低使用难度

选择便秘知识作为切入点有两个原因：一是老年便秘发生率高但容易被忽视，二是相关医学指南结构清晰适合做技术验证。

2. 技术架构设计解析

2.1 整体工作流程

系统采用经典的RAG（Retrieval-Augmented Generation）架构，但针对医疗场景做了特殊优化：

1. 文档预处理流水线：

   • PDF解析 → 文本清洗 → 智能分块 → 向量化 → 持久化存储
   • 特别处理了医学文献中的表格、图表注释等非连续文本

2. 查询处理流程：

   • 用户提问 → 向量检索 → 结果排序 → Prompt构建 → LLM生成 → 结果验证
   • 设计了双重过滤机制确保检索结果相关性

2.2 关键组件选型

文档解析器选型对比：

向量数据库对比：

大模型选择考量：

• 通义千问3.5 Flash：在中文医疗问答基准测试CMB-Exam上表现优于同尺寸模型
• 量化版本在保持85%准确率情况下将推理速度提升3倍
• 对中医术语理解优于通用模型

3. 核心实现细节

3.1 文档处理优化技巧

医学PDF的特殊处理：

python复制def clean_medical_text(text):
    # 处理连续换行（医学文献常见排版问题）
    text = re.sub(r'(\n\s*){3,}', '\n\n', text)  
    # 保留章节编号（重要结构信息）
    text = re.sub(r'(\d+\.\d+)', r'\n\1 ', text)  
    # 特殊处理药物剂量单位
    text = re.sub(r'(\d+)(mg|g|ml)', r'\1 \2', text)
    return text

分块策略优化：

• 动态窗口分块：基础块大小512字符，遇到章节边界强制分割
• 重叠设计：相邻块保留15%重叠内容
• 关键标记保留：特别标注"警告"、"禁忌症"等敏感内容块

3.2 检索增强实现

混合检索策略：

python复制def hybrid_retrieval(query, top_k=3):
    # 语义检索
    vector_results = vector_db.similarity_search(query, k=top_k*2)
    
    # 关键词增强
    keywords = extract_medical_terms(query)
    keyword_results = vector_db.max_marginal_relevance_search(
        " ".join(keywords), k=top_k)
    
    # 结果融合与去重
    combined = deduplicate_results(vector_results + keyword_results)
    return rerank_by_medical_priority(combined)[:top_k]

实际测试发现：纯语义检索在"便秘应该吃什么"这类问题上表现更好，而关键词检索对"乳果糖的禁忌症"这类精确查询更有效。

3.3 Prompt工程实践

动态提示词模板：

python复制def build_medical_prompt(question, context):
    reference_list = "\n".join(
        f"- {doc.metadata['source']} (P{doc.metadata['page']})"
        for doc in context
    )
    
    return f"""你是一名有30年经验的消化科主任医师，需要向老年患者解释专业问题。请根据以下权威资料回答问题：

【患者问题】: {question}

【参考资料】:
{context}

回答要求：
1. 首先判断问题是否属于消化科范畴（如不是应明确说明）
2. 用"三步法"组织回答：
   - 先说结论（1-2句话）
   - 再解释原因（类比日常生活）
   - 最后给建议（具体可操作）
3. 必须标注出处，格式：参考《资料名称》第X页
4. 禁用这些词：{"、".join(MEDICAL_JARGON_BLACKLIST)}

当前时间：{datetime.now().strftime('%Y年%m月')}（回答中需注意时效性）"""

4. 性能优化方案

4.1 响应延迟分析

通过火焰图分析发现主要瓶颈：

1. 向量检索（占总时间45%）
2. LLM生成（35%）
3. 文档预处理（15%）

4.2 实测优化效果

优化措施与效果对比：

最终采用的组合方案：

• 保持FP16模型精度
• 实现检索与生成流水线并行
• 高频问题建立本地缓存
• 前端实现"正在思考..."状态提示

5. 典型问题与解决方案

5.1 医学特异性问题

问题1：药物剂量混淆

• 现象：模型将"10mg"和"100mg"混淆
• 解决方案：

  python复制def highlight_dosage(text):
      return re.sub(r'(\d+\s*mg)', r'[剂量:\1]', text)
  

  在分块阶段特殊标记所有剂量单位

问题2：禁忌症遗漏

• 现象：未突出显示禁忌症内容
• 解决方案：
  • 在元数据中添加is_contraindication标记
  • Prompt中强制要求："如有禁忌症必须首先说明"

5.2 老年人交互优化

语音交互适配方案：

1. 回答长度限制在100字以内（约30秒语音）
2. 自动添加口语化标记：

   python复制def add_speech_marks(text):
       return text.replace("。", "。").replace("，", "啊，")
   

3. 重要数字自动重复："每天1次（重复：1次）"

6. 项目演进方向

6.1 短期优化

• 知识库扩展：加入《中国老年便秘诊疗指南》2024版
• 检索优化：测试ColBERT等稀疏-稠密混合检索
• 安全防护：添加医疗内容审核层

6.2 长期规划

• 多模态支持：解析医学影像报告
• 个性化记忆：记录用户用药史
• 家属通知机制：检测到紧急情况时自动通知

在实际部署中我们发现，医疗类AI助手需要特别关注：

1. 错误信息的危害性远大于不回答
2. 时效性要求高（指南更新要及时同步）
3. 解释方式比答案本身更重要

这个项目给我的最大启示是：技术方案必须服务于真实场景需求。我们花了大量时间不是在调模型参数，而是在研究如何把"增加膳食纤维摄入"这样的专业建议，转化成"每天吃一个火龙果加两把菠菜"这样的具体指导。这或许就是医疗AI落地的关键所在。