LingLan：基于多模态数据的中医诊断大模型

该论文针对中医诊断依赖望闻问切、主观性强、难以量化对齐现代医学体系的问题，提出多模态数据统一框架 UFMD，将舌象与脉象图像自动转化为结构化、临床标准的描述，并汇总为望闻问切过程的统一数字记录。基于该数据，作者通过监督微调构建了中医专用大模型 LingLan-14B。实验显示诊断准确率相对基线提升 103.5%（62.72% 对 30.82%），F1 最高达 82%。

此前中医诊断的舌象、脉象等核心信息难以量化和标准化，AI 介入缓慢。该工作报告了从多模态图像到结构化临床描述、再到统一数字记录的处理路径，并给出相对基线的显著准确率提升，说明中医诊断的标准化建模在方法层面出现了可测量的进展。

机制分两层：先用 UFMD 把舌象、脉象图像自动转成结构化的临床标准描述，解决原始图像无法直接与量化医学体系对齐的问题；再把这些结构化的望闻问切信息汇总成统一数字记录，用于监督微调 LingLan-14B，让模型模仿中医诊断逻辑与流程。数据表示的统一是性能提升的主要来源。

对中医相关的 AI 产品与研发而言，该路径意味着可先做多模态采集与结构化标注层，再训练或微调诊断模型，而不必直接从原始图像端到端建模。舌象、脉象的标准化描述可作为可复用的数据资产，可能降低后续模型迭代的数据处理成本，但其临床落地效果尚未被证据验证。

• 面向中医机构开发舌象、脉象图像采集与结构化描述工具，输出符合临床标准的结构化记录，作为模型训练与质控的数据入口。
• 以 LingLan-14B 类思路为基础，构建望闻问切统一数字病历模块，将多源诊断信息汇总为可检索、可复核的单一记录。
• 在中医辅助诊断产品中引入结构化描述与诊断建议的双层输出，便于医师核对中间描述，而非只给出结论。

• UFMD 生成的结构化描述由谁标注、与临床标准的一致性如何评估，证据未说明。
• 62.72% 与 30.82% 的对比基线具体是什么模型或方法，实验设置细节未给出。
• F1 最高 82% 对应的具体任务与数据集规模、数据来源尚未披露。
• 是否有真实临床环境验证或医师参与评测，证据中未提及。