2026-09-03
NIH NLM 在 Nature Protocols 给出医学 LLM 五步工作流：拆任务、选模型、提示、微调、部署。汇编表里 GPT-5 的 MedQA 为 95.8%，配套代码用临床试验匹配演示。
医院和实验室里用 LLM 的常态，还是对着聊天框随手打一句。NIH 国家医学图书馆（NLM）带队、多所美国高校参与的这篇 Nature Protocols 教程认定：这种用法在医学任务上不够，既浪费能力，也容易用错，最后可能伤到病人。
缺的是能照着做的操作手册，不是又一篇能力综述。要回答的是：一个医学需求怎么变成模型接得住的任务，模型怎么选，提示怎么改，什么时候才该微调，上线要过哪些合规和公平性门槛。
工作流拆成五步，每步配一条可执行的最佳实践，贯穿一张临床试验匹配的演示任务。
任务先归入五类：知识与推理、摘要、翻译、结构化抽取、多模态分析。建议先攒大约 100 条带输入输出的测试样本。推理类可以先对短答案（是/否）打分，过了再审解释；摘要和翻译用 BLEU、ROUGE、BERTScore 对照参考文本，但教程写明这些自动指标和人工判断经常对不上。
选模型看三件事。数据模态和上下文窗口是硬约束；医学能力用考题做初筛、用临床评估定案；接口在网页聊天、API、本地部署之间权衡。敏感数据走 HIPAA：OpenAI 公有 API 通常不合规，Azure 和 Anthropic 有合规托管，本地 Llama 或 Mistral 更可控。上下文用 PubMed 摘要做尺子：一篇大约 300–400 token，Llama 3.0 的 8k 窗口大约 20 篇，GPT-5 的 400k 大约 1600 篇，Claude 4.5 Opus 的 200k 大约 800 篇，Gemini 3.0 的 1M 大约 2500 篇。长窗口仍有 lost-in-the-middle，中间段落容易被丢掉。
提示工程默认温度 0、输出 JSON。few-shot 用 1–5 条多样本，从零样本往上加；默认让模型先逐步推理再给答案；知识过时或会编造就接 RAG 或工具调用。提示也可以交给 DSPy、TextGrad 这类程序化优化。微调只在三件事发生时考虑：提示改不动、训练数据已经很多、工作提示太长太贵。参数高效微调（PEFT / LoRA）适合小而专的数据；临床摘要的例子是几千条样本加一张 NVIDIA Quadro RTX 8000。
部署把输出定位成辅助工具，不是替代医生。上线后持续盯公平、偏见、成本和模型淘汰后的重验。
这篇是协议教程，没有自己跑一套新的对照实验。核心产出是一张汇编的 MedQA-USMLE（四选一）对照表，加上临床试验匹配的配套代码。
| 模型 | 权重 | 上下文 | MedQA |
| GPT-5 | 闭源 | 400k | 95.8% |
| o1-preview | 闭源 | 128k | 94.9% |
| Gemini 3.0 Pro | 闭源 | 1M | 94.6% |
| DeepSeek-R1 | 开源 671B | 128k | 92.0% |
| Claude 4.5 | 闭源 | 200k | 91.4% |
| Llama 3.1 | 开源 | 128k | 88.2% |
| Llama 2 | 开源 | 4k | 47.8% |
数字来自文献和第三方榜单，不是作者自测。教程同时提醒：选择题高分不等于临床有用，真实场景没有选项；过了考题筛还要做开放式评测和随机对照。成本例子按 2025 年 12 月 Gemini 3.0 报价：输入 2 美元/百万 token（prompt 短于 200k），输出 12 美元/百万 token；一千份 MIMIC-III 出院小结大约四百万 token，提示侧大约 8 美元。7–8B 模型往往一张 A100 40GB 就够，70B 通常要多卡。
给不会自己搭评测的医生和研究员一条能照着做的路径。五类任务分类能挡住「什么都丢给聊天框」；HIPAA 和本地部署写进选模型步骤，比事后补合规更早。配套代码把 tokenization、温度、CoT、few-shot、RAG、微调数据准备做成可运行笔记本。
它仍然是入门手册。结构化抽取这类简单任务，教程承认微调过的 BERT 经常不输 LLM。已经有成熟评测栈的团队，这里的增量主要是把步骤写全，并把 2025–2026 的模型名单更新进来。
Nature 正刊走订阅。解读依据是作者公开的 arXiv 稿和配套代码，摘要、四张图题、MedQA 表与正刊页面一致，但排版和个别段落可能与付费版有出入。
MedQA 表是拼盘，来源从系统卡到第三方榜单都有，横向比要小心设置差异。十项最佳实践里「默认 CoT」「温度 0」是经验规则，本教程没有在同一批医学数据上做消融。
「大约 100 条测试样本」沿用既有评测规模，对高风险临床决策偏少。偏见监测指向外部基准，没有给出本工作流上的实测差距。模型名单会过时；生命周期管理只点到了提示要重做、性能要重验。