背景篇：從迷茫到真香的AI打怪之路

　　三年前，領導一句靈魂拷問："咱醫院信息化和別人比，到底如何?"直接給我整出了"深夜加班梳理建設內容"的劇情。對標完國內相關的智慧醫院建設標準后，我長舒一口氣：幾年建設已經完成了我們的五年規劃。但信息化建設下一步如何發展?繼續卷數據治理?走數字化轉型發展，還是開啟人工智能的應用實踐呢?這又是一個擺在我案頭的問題了。

　　2023年，隨著ChatGPT帶火全球AI熱搜，答案逐漸清晰——醫療AI將是未來的應用方向，AI不落地，談何高質量發展?于是，我們再次鄭重把"人工智能引擎"寫進了建設規劃。然鵝……現實很骨感：算力貴如金，人才難尋覓，試錯成本高，這些都不是短期能夠完成的任務。咋辦?先加強自身知識儲備吧!

　　2023年，在參加完人工智能培訓班后打開了新世界大門。雖然日常還是用千問、文心一言搞點"幫娃寫作文"的基本操作，但也養成了每天刷AI公司動態的"賽博養成"習慣。直到2024年某天，幻方公司扔出一顆深水炸彈——開源大模型DeepSeek，評測榜直接屠榜!必須用起來呀，好家伙，初次體驗后，回答深度就直接碾壓我這從業三十年信息老專家!更香的是，它居然支持單卡部署!當即申請了一臺4.8萬的工作站(配RTX4090顯卡)，想著就算搞不成，也就只有4.8w，我也沒有那么大負罪感。

　　2025年春節，就如同窗外的禮花炸響般突然，DeepSeek徹底封神!它憑一己之力打破"算力霸權"，讓通用大模型變得像手機APP一樣親民。和其他行業一樣，醫療圈也瞬間被DeepSeek炸鍋了，各家醫院瘋狂內卷AI落地——這一刻，我是又后悔又慶幸，后悔自己沒有提前做算力資源的儲備，慶幸的是，我們的顯卡終于要發光了!如此逆天的應用，我們也可以部署了。

實戰篇：從部署開始的探索

　　1.知識庫搭建：讓制度文件學會"自動答"

　　技術組合拳：Dify低代碼平臺 + DeepSeek 14B蒸餾模型 +bge-m3通用向量模型

　　先說我們的開發部署環境吧，我們采用了dify+DeepSeek的方式。Dify是一個專注于生成式 AI 應用開發的平臺，采用低代碼開發模式，且兼容多個大模型。這也方便以后的應用擴展?；谟布l件，我們先部署了14B的蒸餾模型，并利用bge-m3通用向量模型將信息科的各種制度文檔切成"知識塊"轉化為向量模型，存進數據庫。通過 DeepSeek 提供的 API，將知識庫與模型連接。在調用 DeepSeek 時，將用戶問題轉換為向量，在向量數據庫中進行相似度檢索，獲取相關知識單元向量。將檢索到的知識單元作為上下文信息，與用戶問題一同發送給 DeepSeek 模型，使模型基于知識庫內容生成更準確、符合制度要求的回答。這樣就搭建起了第一個知識庫應用。

　　通過測試，DeepSeek所具有的強大邏輯分析能力可以將問題轉化后提供最貼切的回答。這一下就激發起了我們的熱情，同時開始深挖硬件潛能，完成了32B版本的部署，于是一邊調整參數一面開始邀請各個部門來參觀，共同探索如何更好的將DeepSeek應用到實際的業務場景。

　　實踐技巧：經實踐DeepSeek對于Markdown和HTML文件的讀取正確率最佳，word文件如果其中有表格之類的控件，需要進行預處理。

　　效果：從此，新員工問"怎么申請服務器權限"，AI秒回制度條款+操作指南，信息科老員工從此就有了"失業"危機感。

　　2.代碼生成與審核：程序員的摸魚神器

　　一直以來程序員都是信息科的心頭寶，能讓IT廠商提供駐場程序員更是醫院夢寐以求的待遇。然而現實情況是，程序員稀少，好的程序員更少。經常我們遇到的就是開發進度無法把控，開發質量難以掌控的痛點。那看看DeepSeek如何發揮作用吧，DeepSeek-Coder-V2能夠根據指令自動生成代碼。

　　部署方案：DeepSeek-Coder-V2接入VS Code，代碼生成+審核一條龍

　　實戰案例：讓AI寫個"臨床配送中心資源調度算法"，只見它噼里啪啦輸出Python代碼，連異常處理都帶注釋!更絕的是，把祖傳代碼丟給它審核，直接標出3處內存泄漏+解決方案——我不知道工程師怎么想，反正作為信息主任，那一刻我感覺天空是格外的藍。

　　3.文檔診療室：專治PPT廢話文學

　　文檔分析能力可是DeepSeek強項，拿一份項目管理文檔給它，看看DS老師給出啥意見。

　　硬核操作：甩給AI一份項目管理文檔，5分鐘后收獲"標紅批注版"。"第8頁'優化迭代閉環'建議改為'需求-開發-驗證循環';第12頁風險預案缺少備用供應商清單……"這比我看的都快，都仔細。以后我可就輕松多了。

　　附加Buff：AI的思維過程，還是一個經驗展示的"心路歷程"，堪比請了個24小時在線的麥肯錫顧問啊!各位老司機，就問你慌不慌，以后職場小白們都不會找你了。

　　4.翻車現場：當AI患上"幻覺癥"

　　大型社死：讓DeepSeek翻譯醫學論文，結果把《炎癥因子機制研究》翻成《小白鼠健身指南》……

　　這有一篇SCI論文，讓它翻譯寫個摘要。很快，翻譯的中文全文也出來了，看起來像模像樣的，又有點不對味呀。翻出原文讓豆包給翻譯一下，果然，這次翻車了。文章是一篇寫炎性反應研究的醫學論文，而DS給整出了一篇小動物訓練的中文文章。哈哈，不會這就是AI幻覺吧。這里省略1000字，經過查詢，發現了問題所在，DS沒有正確的讀取到這篇PDF的內容，于是它就發揮自己的“想象”，寫出了這篇中文文章。

　　破案時刻：原來PDF解析模塊“抽風”，AI開啟"一本正經胡說八道"模式。

　　解決方案：PDF文件通過minicpm-v多模態模型解析+DeepSeek推理，從此AI被迫學會"知之為知之"。讓DeepSeek能夠正確讀取各類數據是我們在實踐過程中不斷遇到的，看來有必要開發一個通用模塊來統一知識庫的數據格式。

　　5.疾病編碼訓練：從"大而化之"到"精準到細胞"

　　做好了專屬知識庫就可以利用DeepSeek強大的邏輯分析能力來進行病案編碼了，只需要我們將患者就醫期間的各類病歷文件提供給它，剩下的工作就是等待它出結果。當然前提是我們提供的數據準確性高，標準化程度高。如果只是依靠Deepseek自身的知識庫，它僅僅能實現亞目編碼，還是無法滿足編碼需要。

　　痛點：內置ICD-10編碼只到亞目，實際需要細化。

　　改造方案：把我們已經完成的院內標準診斷庫數據喂給AI，結合規則引擎做強化訓練，現在讓AI看到"患者主訴菊花疼"，還需要判斷急性期還是慢性，是瘺還是裂，然后再淡定輸出K60.000、K60.100或者K60.301、K60.302、K60.303這些細分項了。

　　時間在我們的探索中飛逝，DeepSeek的實力也在不斷呈現，短短20多天，我們就已經摸索出了10多項應用，從知識庫的建立到CT片的解讀，心電圖的分析，健康體檢報告的評估。在持續探索中，我們也對硬件進行了升級，現在已經是雙A6000的配置了，速度那是嘎嘎的。對比10年前的移動互聯網醫療的興起，現在DS的應用呈現更快速的迭代升級。每天都有各個行業接入DeepSeek的新聞在轟炸著大眾的眼球，醫療行業也不斷的報道著兄弟醫院的實踐成效，基本上形成了不接入DeepSeek都是落后的態勢。這不僅是給了信息科一個添置GPU硬件條件的契機，更體現各位工程師的學習能力，必須開始惡補人工智能的知識和操作技能。當人工智能在各個行業廣泛應用時，其實不僅僅是程序員面臨下崗的風險，其實原本那些非常緊缺的崗位，比如病案編碼人員，這種依靠大量工作經驗刷出來的崗位，很快也就會被系統替代。

　　警惕啊朋友們!現在連臨床醫生都能用DeepSeek寫代碼了，信息科再不轉型，恐怕要淪為"重啟開關專業戶"。一句話：擁抱AI，保住工位;原地躺平，必被淘汰!

后記

　　以上是對我們DeepSeek使用探索的真實記錄，歡迎大家批評指正，共同把DeepSeek這個開源大模型工具用好，解決實際問題。

　　作者簡介

　　1 黃昊，CHIMA常委

　　2 陳俊羲，重慶大坪醫院信息科工程師

CHIMA大講堂直播預告

　　在數字化轉型的浪潮中，DeepSeek作為數據分析與智能化的利器，已在醫療領域展現出巨大潛力。本期大講堂聚焦DeepSeek系統的部署優化、數據分析及場景探索三大核心模塊，深入探討如何通過技術手段提升醫療服務的智能化水平，為您提供實用的操作技巧與前沿的行業洞察，助力您在醫療數字化轉型中搶占先機。

　　掃描圖片上方二維碼可線上參會

　　點擊此處可進入CHIMA大講堂