# MedSynapse EHR：基于领域微调大语言模型的电子健康记录自动摘要平台 > 一个功能完整的 Flask 全栈应用，支持上传电子健康记录（EHR），从 PDF 或纯文本中提取内容，并生成包含八个标准章节的结构化临床摘要。系统包含角色分离的终端用户和管理员控制台，可选的 Hugging Face Flan-T5 微调支持，以及无需 GPU 即可运行的启发式回退方案。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-05-29T06:45:24.000Z - 最近活动: 2026-05-29T06:49:45.516Z - 热度: 152.9 - 关键词: EHR, 电子健康记录, 医疗AI, 文本摘要, Flan-T5, Flask, 大语言模型, 领域微调, 临床决策支持 - 页面链接: https://www.zingnex.cn/forum/thread/medsynapse-ehr - Canonical: https://www.zingnex.cn/forum/thread/medsynapse-ehr - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者**：Shivam Agrawal（GitHub: @ShivamAgrawal1909） - **来源平台**：GitHub - **原始标题**：Automated-Summarization-of-Electronic-Health-Records-using-Domain-Tuned-Large-Language-Models - **原始链接**：https://github.com/ShivamAgrawal1909/Automated-Summarization-of-Electronic-Health-Records-using-Domain-Tuned-Large-Language-Models - **发布时间**：2026年5月29日 --- ## 项目概述 MedSynapse EHR 是一个面向医疗领域的开源电子健康记录自动摘要平台。该项目采用 Flask 框架构建，提供完整的 Web 应用体验，能够将复杂的医疗文档转换为结构化的临床摘要。核心功能包括 PDF 和纯文本上传、智能文本提取、八章节结构化摘要生成，以及可选的大语言模型微调能力。 医疗文档通常包含大量非结构化文本，医生需要花费大量时间阅读和理解。这个项目通过自动化摘要技术，帮助医疗专业人员快速获取患者关键信息，提高诊疗效率。 --- ## 核心功能详解 ### 终端用户功能 系统为终端用户提供了完整的患者管理流程。用户可以通过注册系统创建账户，提供姓名、邮箱、密码、电话和职务信息。系统会对邮箱进行唯一性校验，并使用哈希算法存储密码。 患者管理模块支持添加、列出、编辑和删除患者信息，包括外部 ID、姓名、年龄、性别、联系方式和病情提示。每个患者可以关联多个 EHR 文档。 文档上传功能支持 PDF 和纯文本格式，文件大小限制为 16MB。系统使用 pypdf 库从 PDF 中提取文本内容，文本文件则以 UTF-8 编码读取。用户可以在 EHR 详情页面查看提取的文本，并在需要时重新提取。 ### 智能摘要生成 系统的核心能力是生成八章节结构化摘要，包括： 1. **患者信息** - 基础人口统计和联系信息 2. **症状** - 患者报告的症状描述 3. **诊断** - 医学诊断结果 4. **药物** - 当前用药和处方信息 5. **实验室报告** - 检验结果和指标 6. **治疗方案** - 治疗计划和程序 7. **医生备注** - 临床观察和注释 8. **随访安排** - 后续诊疗计划 这种结构化输出使医疗信息更易于阅读、搜索和比较，显著提高了临床工作流程的效率。 ### 管理员功能 管理员控制台提供了系统级的监控和管理能力。管理员可以查看全系统指标，包括用户数量、患者数量、EHR 文件数量和摘要生成次数。 用户管理模块支持创建、查看、编辑、封禁/解封和删除终端用户账户。管理员和自身账户受到保护，避免误操作。患者管理功能允许管理员查看所有患者信息，包括关联的 EHR 列表和摘要历史。 --- ## 技术架构 ### 技术栈 项目采用成熟的技术组合： - **后端框架**：Flask（Python） - **前端技术**：HTML 模板 + CSS - **PDF 处理**：pypdf - **机器学习**：Hugging Face Transformers（Flan-T5） - **数据存储**：SQLite（开发环境） - **部署方式**：支持本地运行和云部署 ### 项目结构 代码库采用清晰的分层架构： - `app/` - 应用主代码 - `static/css/` - 前端样式文件 - `templates/` - HTML 模板 - `training/` - 模型训练和微调脚本 - `config.py` - 配置文件 - `run.py` - 应用入口 - `seed_data.py` - 初始数据种子 --- ## 模型训练与微调 项目提供了可选的模型训练功能，使用 Hugging Face 的 Flan-T5 模型进行领域微调。这种微调能够提高摘要生成的准确性和医疗术语的理解能力。 对于没有 GPU 的环境，系统提供了启发式回退方案，确保即使在没有高性能计算资源的情况下也能生成可用的摘要。这种设计考虑了实际部署环境的多样性，使项目更具实用性。 --- ## 使用场景与部署 ### 默认凭据 系统初始化后提供默认管理员账户，方便首次登录和配置。建议在生产环境中立即修改默认凭据。 ### 配置选项 通过 `.env` 文件可以配置数据库连接、模型路径、文件上传限制等参数。这种配置方式使部署更加灵活，适应不同的环境需求。 ### 两种摘要模式 系统支持两种摘要生成模式： 1. **ML 模式** - 使用微调后的 Flan-T5 模型生成高质量摘要，需要 GPU 支持 2. **启发式模式** - 基于规则的摘要生成，无需 GPU，适合资源受限环境 --- ## 重要提示与合规考虑 项目文档明确声明这是一个软件演示项目，**不应用于真实的患者护理或处理受保护的健康信息（PHI）**，除非经过适当的法律审查、安全控制实施和合规认证（如 HIPAA）。 在实际部署到生产环境之前，需要考虑以下合规要求： - 数据加密（传输和存储） - 访问控制和审计日志 - 患者隐私保护 - 监管合规性评估 - 安全漏洞扫描和修复 --- ## 总结与展望 MedSynapse EHR 展示了如何将大语言模型技术应用于医疗文档处理领域。通过结合结构化摘要生成、用户角色管理和可选的模型微调，项目为医疗信息自动化处理提供了一个实用的开源解决方案。 该项目的价值在于其完整性和实用性：从文档上传到结构化摘要输出，从终端用户界面到管理员控制台，从启发式回退到 ML 增强，覆盖了医疗摘要工作流的各个环节。对于希望探索 LLM 在医疗领域应用的开发者和研究人员，这是一个值得参考的实现范例。