从「上千万字病历」到结构化专病库：北大团队的双引擎治理账本
北大李方平在数博会提出医疗数据三字诀困境，用「大模型+小模型」双引擎把血液专病数据治理周期从8-12个月压缩到2-3个月，准确率近100%。
三字诀：医疗数据的「不能用、不敢用、不愿用」
在2026数博会贵州分赛获奖项目路演上，北京大学（天津滨海）新一代信息技术研究院副院长李方平用一个设问开场：智慧医疗的智慧从哪里来？答案被拆成两类数据——电子病历、检查单、CT影像这类临床数据，告诉我们「发生了什么」；医学文献、教材、权威数据库这类医学知识，告诉我们「这意味着什么」。
但他随即抛出了医疗专病数据的三字诀困境：「不能」「不敢」「不愿」。「不能」是数据分析极其复杂，「不敢」是隐私可能出问题，「不愿」是缺少驱动力。这三个字精准戳中了医疗数据要素化的软肋：数据不是没有，而是结构化程度不足以被模型和临床真正使用。
血液病样本：上千万字病历与23.9%的五年生存率
李方平用血液病做切片。血液系统恶性肿瘤是我国重点防治的十大恶性肿瘤之一，儿童和青少年白血病死亡率居癌症首位，成人非早幼粒急性髓系白血病5年生存率仅23.9%。而这类病人的电子病历动辄上千万字，人力根本无法处理。
「高质量的血液专病数据集的每一次提升，都意味着病人诊疗质量的提升就有了可能。」这句话点明了专病数据集的价值逻辑——它不是通用语料的堆砌，而是直接绑定具体病种的诊疗改进。数据质量每上一个台阶，对应的是真实患者的预后改善空间。
双引擎协同：大模型理解，小模型像手术刀
团队的技术方案是「医疗基座大模型+小模型精准计算」的双引擎协同。大模型负责理解、编排和解释，专业小模型负责精准计算——李方平形容它「像医生的外科手术刀一样」，把临床诊疗数据转化为高质量结构化数据集。
这套分工的合理性在于：医疗场景里，通用大模型的强项是语义理解，弱项是精确计算；而专病结构化需要的是可复现、可校验的确定性输出。双引擎把「理解」和「计算」解耦，既保留了大模型的泛化能力，又守住了临床对精度的底线。
效率账本：治理4倍提速，准确率近100%
账本很硬：数据治理周期从传统的8到12个月缩短至2到3个月，效率提升4倍；多中心临床研究数据准备周期从4到6个月缩短至2到3周，效率提升8倍。经AI与专家双轮校验，核心字段抽样准确率几乎达到100%。
在数据安全上，团队实现了三个目标：原始数据不出域（安全）、不可篡改（可信）、可用不可见（隐私）。这三点恰好回应了「不敢」和「不愿」——只有把安全合规做扎实，医疗数据要素才能从「不敢用」走向「放心用」。李方平的目标是从单一病种扩到多个专病领域，把数据要素尽快转化为生产力。
千方医数集编辑部 出品
