行业痛点：专科医疗资源的结构性挑战
我国脑血管病面临高发病率、高复发率的严峻现状，伴随而来的是专科医生缺口巨大、区域诊疗水平失衡的双重困境。在传统的脑血管病诊疗流程中，接触患者、询问病情、临床查体、书写病历，医生需要基于患者的疾病特点，结合脑海中的医学知识和临床指南信息，得出最终的诊疗方案。虽已形成体系，但在效率与精准度上仍存在局限。尤其在面对复杂多变的病情和持续更新的临床指南时，人脑的记忆与处理能力显得尤为“捉襟见肘”。此外，在临床病人较多或医生需要身兼临床教学等职责时，难免会影响效率或出现人力不能及的疏漏。因此，如何突破人力限制，构建标准化、智能化的诊疗辅助体系，成为医疗数字化转型的关键命题。
技术破局：构建可溯源的医疗智能体
清华大学长庚医院与新华三集团的联合开创了“医工融合”的创新落地路径。所谓“医工融合”，指的是从行业实际需求出发，让医学团队（清华大学长庚医院）和工程团队（新华三集团）优势互补，结合医学专业和技术底座，让医学大模型更适用于实际场景。
项目研发之初，双方团队第一步要沟通磨合的，就是医学术语与工程语言之间的“壁垒”。医学团队要给工程团队解释缺血性卒中、出血性卒中等基础概念的具体定义，让工程团队能够理解专业内容，才能根据理解的内容去训练大模型，将复杂的医学专业概念转化为机器可理解的语言，进而构建出高质量的脑血管病数据集。在与新华三AI工程师合作的半年里，双方组成的专家团队共同经历了持续性的数据训练和模型调优，大模型被“投喂”了超过20部临床指南，每部指南字数几万字到十几万字不等。
医学领域是非常严肃的领域，在使用者与大模型“对话”的过程中，除了得到答案之外，也希望能看到它的推理过程，以确保其逻辑的严谨性和专业性。因此，在研发过程中，新华三团队对训练数据做了大量的COT标注工作，使得最终的生成结果是支持可回溯、可溯源的。
这样当医生看到结果的过程中，也能够看到一个完善的推理过程，因为本身患者的疾病在治疗中间也会发生一些动态的变化，相应的治疗方案可能需要重新规划。完整的推理过程可视，有利于我们在这个严谨的（医学）领域对每一步进行把关。
在训练上得到了临床医学的严谨内容的加持，这是大模型在实战场景中最有价值的一部分。新华三通过对数据的治理，数据工程的操作和研发，确保数据是可用的、训练的、精调的；而算力在当下已成为行业深入大模型领域的门槛，新华三在算力上对模型和硬件做了深度的融合和调优，通过不断迭代，吸收整个相关领域的知识来让大模型持续成长。
场景落地：重塑诊疗全流程
灵犀医学脑血管病专病大模型的临床应用，实现了诊疗流程的智能化升级：
实时辅助决策
通过大模型技术和对海量临床知识的交叉融合，灵犀医学大模型已被训练成一个能够分析病因成型、进行辅助检查、治疗推荐、诊疗流程管理的可交互“AI医生”。不仅能为医生提供精准的诊断治疗方案，还能在患者的就医全流程中给出标准化诊断辅助提示，从而帮助医生快速做出治疗决策，提高患者就医效率。在临床诊疗中时，医生将病历信息输入到大模型中，模型便会用训练好的医生思维链匹配临床指南的内容，生成对诊疗方案的辅助参考，并对病历进行实时更新。
（思维链能力符合指南诊疗流程，避大模型幻觉）
全周期管理延伸
大模型的应用不仅能推动循证医学更加精准，帮助医生找到人力知识的盲点，也可通过愈加标准化的检查和诊疗，降低患者住院期间的花费。出院之后，灵犀医学大模型还可以基于“AI病历”给病人做长期的治疗和随访建议，进而一定程度上降低复发风险。
教学与资源均衡
此外，基层医生也可通过模型获取高年资专家级的诊疗建议，打破地域限制。未来，在跨院区协作场景中，模型也可标准化诊疗的“数字桥梁”，推动优质医疗知识向县域医院下沉。
产业价值：开启医工融合新范式
该项目的突破性在于构建了“医学知识输入-模型推理输出-临床经验反哺”的正向循环：医生通过持续投喂最新指南与病例，推动模型不断进化；而模型生成的结构化诊疗数据，又为临床研究提供了标准化样本，形成“实践-智能-科研”的闭环。这种“技术+专业”的双轮驱动模式，为医疗AI的落地提供了可复用的方法论——既避免了纯技术导向的“空中楼阁”，又突破了单一学科的思维局限。
在算力支撑层面，项目验证了“专用算力+行业模型”的协同价值。新华三通过深度优化模型架构与硬件配置，使大模型在医院本地化部署成为可能，为医疗数据的安全性与响应实时性提供了保障。这种“软硬一体”的技术路径，为医疗行业的数字化转型提供了兼具创新性与可行性的参照样本。
