内容简介

本书详细阐述了医药大语言模型的基本概念、训练过程、技术特点及其在药物研发、临床试验、市场分析及循证医学等多方面的应用。本书通过丰富的案例与数据分析，展示了医药大语言模型如何提高药物研发效率、优化临床试验设计、精准分析市场动态并为临床决策提供科学依据。此外，本书还展望了医药大语言模型的未来发展趋势，包括在智能经济背景下的应用前景与医药数据的演进方向，为医药行业的智能化转型提供了宝贵的参考与指导。

目录

第一章 DeepSeek 与医药大语言模型

1.1 通用大语言模型与垂直大语言模型

1.2 医药业务助手

1.3 什么是智能体与模型上下文协议

1.4 医药大语言模型的意义

1.5 DeepSeek 与未来医药发展

第二章 生物医药大语言模型场景

2.1 药物研发与临床医学场景概述

2.1.1 药物研发场景概述

2.1.2 临床医学的场景概述

2.2 医药情报洞察

2.2.1 药物竞争格局分析

2.2.2 医药文献分析

2.2.3 医药专利分析与挖掘

2.3 药物临床研究的大语言模型场景

2.3.1 研究中心与 PI 选择

2.3.2 患者招募

2.3.3 真实世界研究

2.4 医药市场的大语言模型场景

2.4.1 医药学术推广

2.4.2 医药营销

2.5 循证医学的大语言模型场景

2.5.1 Meta 分析

2.5.2 循证医学知识问答

2.6 临床诊疗的大语言模型场景

2.6.1 临床决策支持

2.6.2 临床预问诊

2.7 中医药大语言模型

2.7.1 中医药大语言模型的场景

2.7.2 中医药大语言模型的设计

2.8 其他应用场景

第三章 生物医药大语言模型的数据准备

3.1 大语言模型的数据要求

3.2 医药数据如何获取

3.3 医药数据分类与治理策略

3.3.1 医药数据治理要素

3.3.2 医药数据治理方案

第四章 大语言模型构建

4.1 大语言模型的训练过程

4.2 有监督微调

4.3 强化学习过程

4.4 RAG 原理与技巧

4.5 写好提示词

4.6 DeepSeek 与知识蒸馏

第五章 医药企业内部知识平台建设

5.1 医药知识平台的意义

5.2 医药知识平台的构建方法

5.2.1 需求梳理

5.2.2 顶层设计——确定目标与节奏

5.2.3 数据智能平台建设

5.2.4 DeepSeek 与技术能力构建

5.3 医药大语言模型的未来发展

第六章 落地场景案例分析

案例：医药数据分析报告