通义千问3-14B实战案例：医疗文档结构化提取系统搭建

通义千问3-14B实战案例：医疗文档结构化提取系统搭建

在医疗信息化快速推进的今天，大量非结构化的临床记录、检查报告和病历文本堆积在医院系统中。这些信息虽然蕴含丰富的诊疗数据，但难以直接用于统计分析、科研建模或电子病历归档。如何高效地将这些“沉睡”的文本转化为结构化数据？本文带你用通义千问3-14B+Ollama + Ollama WebUI，从零搭建一个可落地的医疗文档结构化提取系统。

这套方案不仅支持长文本解析（最高128k token），还能通过“慢思考”模式提升复杂字段抽取的准确率，最关键的是——单张RTX 4090即可本地运行，无需依赖云端API，保障患者隐私安全。

1. 为什么选择通义千问3-14B做医疗信息抽取？

医疗文档的特点是专业术语多、上下文依赖强、格式不统一。传统规则引擎或小模型很难应对这种复杂性。而Qwen3-14B凭借其强大的语义理解能力和对长文本的支持，成为当前最适合本地部署的开源大模型之一。

1.1 单卡可跑，性能接近30B级模型

你可能听说过“参数即正义”，但在实际应用中，“性价比”才是王道。Qwen3-14B虽然是148亿参数的Dense模型（非MoE稀疏架构），但实测表现远超同体量模型：

• FP16全精度模型仅需28GB显存
• 使用FP8量化后压缩至14GB，RTX 4090（24GB）轻松承载
• 推理速度在A100上可达120 token/s，在4090上也能稳定在80 token/s

这意味着你在办公室的一台工作站上就能完成过去需要集群才能处理的任务。

1.2 支持128k长文本，整份病历一次性读完

很多患者的住院记录长达数万字，包含入院记录、手术记录、护理日志、检验报告等多个部分。普通模型受限于上下文长度（如8k、32k），必须分段处理，容易丢失跨段落的关联信息。

Qwen3-14B原生支持128k token，实测能处理超过131,000个token的文本，相当于40万汉字。你可以把整份PDF导出的纯文本一次性喂给它，让它全局理解病情发展脉络。

1.3 双模式推理：“快回答”与“慢思考”自由切换

这是Qwen3-14B最实用的设计之一：

在医疗文档提取任务中，我们通常启用Thinking模式，让模型先分析文档结构、识别关键实体，再逐步构建JSON输出，显著提升准确性。

1.4 原生支持结构化输出：JSON、函数调用、Agent插件

Qwen3-14B官方提供了qwen-agent库，支持：

• 强制返回JSON格式结果
• 调用外部工具（如数据库查询、OCR接口）
• 构建多步Agent流程

这使得我们可以设计一套完整的自动化流水线，而不是仅仅做一次性的问答。

2. 系统架构设计：Ollama + Ollama WebUI双Buff加持

要让Qwen3-14B真正“可用”，光有模型还不够。我们需要一个轻量、易用、可调试的本地推理环境。这里推荐使用Ollama + Ollama WebUI的组合，两者叠加带来三大优势：

• 一键拉取并运行Qwen3-14B，无需手动下载GGUF或HuggingFace模型
• 提供图形界面，方便测试prompt效果
• 支持REST API调用，便于集成到后端服务

2.1 Ollama：极简本地大模型运行时

Ollama是一个专为本地运行大模型设计的工具，语法简洁到极致：

ollama run qwen:14b

即可自动下载并启动Qwen3-14B模型（默认为量化版）。你还可以指定不同版本：

ollama run qwen:14b-fp16 # 全精度版（需28GB显存） ollama run qwen:14b-q8 # 高质量量化版 ollama run qwen:14b-think # 启用Thinking模式

Ollama还支持自定义Modelfile，我们可以创建一个专门用于医疗抽取的配置文件：

FROM qwen:14b-think # 设置系统提示词，限定角色为医疗信息提取助手 SYSTEM """ 你是一名专业的医疗信息结构化专家，擅长从非结构化病历中提取关键字段。 请严格按照JSON格式返回结果，不要添加额外解释。 若信息缺失，请填 null。 """ # 启用JSON模式 PARAMETER num_ctx 131072 # 最大上下文长度

保存为Modelfile-medical后构建专属模型：

ollama create qwen-medical -f Modelfile-medical ollama run qwen-medical

2.2 Ollama WebUI：可视化调试与交互平台

虽然命令行足够强大，但对于调试prompt、查看输出格式、演示成果来说，图形界面更直观。Ollama WebUI 是社区最受欢迎的前端项目之一。

安装方式非常简单（以Docker为例）：

docker run -d \ --name ollama-webui \ -e OLLAMA_BASE_URL=http://your-ollama-host:11434 \ -p 3000:8080 \ --add-host=host.docker.internal:host-gateway \ ghcr.io/ollama-webui/ollama-webui:main

访问http://localhost:3000即可看到如下界面：

• 左侧选择模型（qwen-medical）
• 中间输入原始病历文本
• 右侧实时查看模型输出

更重要的是，WebUI内置了历史会话管理、prompt模板保存、导出功能，非常适合团队协作开发。

3. 实战演练：从一份出院小结中提取结构化数据

现在我们进入核心环节：真实案例演示。

假设你拿到一份患者的出院小结，内容如下（节选）：

患者男性，67岁，因“反复胸闷气促3年，加重1周”入院。既往高血压病史10年，规律服药。吸烟史40年，每日20支。
入院查体：BP 150/95mmHg，心率88次/分，律齐。双肺底可闻及湿啰音。
辅助检查：BNP 860 pg/mL；心脏彩超示左室射血分数（LVEF）40%；冠脉造影显示三支病变。
诊断：冠心病，陈旧性心肌梗死，心功能III级（NYHA分级）。
治疗：给予阿司匹林、氯吡格雷、瑞舒伐他汀、美托洛尔、培哚普利等药物治疗。
出院建议：低盐饮食，戒烟，定期复查血脂、心电图。

我们的目标是将其转换为结构化JSON：

{ "patient_info": { "age": 67, "gender": "男", "smoking_history": "40年，每日20支" }, "vital_signs": { "blood_pressure": "150/95mmHg", "heart_rate": 88 }, "diagnosis": [ "冠心病", "陈旧性心肌梗死", "心功能III级（NYHA分级）" ], "lab_tests": { "BNP": "860 pg/mL", "LVEF": "40%" }, "medications": [ "阿司匹林", "氯吡格雷", "瑞舒伐他汀", "美托洛尔", "培哚普利" ], "discharge_advice": "低盐饮食，戒烟，定期复查血脂、心电图" }

3.1 编写精准Prompt引导模型输出

为了让Qwen3-14B准确提取，我们需要精心设计prompt。以下是经过多次迭代优化后的模板：

请从以下出院小结中提取结构化信息，严格按以下JSON格式输出： { "patient_info": {"age": int, "gender": str, "smoking_history": str}, "vital_signs": {"blood_pressure": str, "heart_rate": int}, "diagnosis": [str], "lab_tests": {"BNP": str, "LVEF": str}, "medications": [str], "discharge_advice": str } 要求： 1. 所有字段必须存在，无值则填 null； 2. 年龄单位为“岁”，性别为“男”或“女”； 3. 血压格式为“xxx/xx mmHg”，心率为整数； 4. 诊断列表需完整列出所有疾病名称； 5. 药物名称保留原文，去重； 6. 不要添加任何额外说明。 原始文本： {{PATIENT_RECORD}}

将这段prompt保存为模板，在Ollama WebUI中加载使用。

3.2 启用Thinking模式，提升复杂字段识别准确率

在Ollama中运行启用了Thinking模式的qwen-medical模型，输入上述prompt和病历文本，你会看到类似以下的输出过程：

<think> 首先识别患者基本信息： - “67岁” → age: 67 - “男性” → gender: "男" - “吸烟史40年，每日20支” → smoking_history: "40年，每日20支" 生命体征： - “BP 150/95mmHg” → blood_pressure: "150/95mmHg" - “心率88次/分” → heart_rate: 88 诊断部分明确列出： - “冠心病” - “陈旧性心肌梗死” - “心功能III级（NYHA分级）” 实验室检查： - “BNP 860 pg/mL” → BNP: "860 pg/mL" - “LVEF 40%” → LVEF: "40%" 用药清单： - 阿司匹林、氯吡格雷、瑞舒伐他汀、美托洛尔、培哚普利 → 列表去重后保留原名 出院建议原文提取即可。 </think> { "patient_info": { "age": 67, "gender": "男", "smoking_history": "40年，每日20支" }, "vital_signs": { "blood_pressure": "150/95mmHg", "heart_rate": 88 }, "diagnosis": [ "冠心病", "陈旧性心肌梗死", "心功能III级（NYHA分级）" ], "lab_tests": { "BNP": "860 pg/mL", "LVEF": "40%" }, "medications": [ "阿司匹林", "氯吡格雷", "瑞舒伐他汀", "美托洛尔", "培哚普利" ], "discharge_advice": "低盐饮食，戒烟，定期复查血脂、心电图" }

可以看到，模型不仅正确提取了所有字段，而且遵循了严格的JSON格式，完全满足后续程序解析需求。

4. 进阶优化：构建自动化处理流水线

单次测试成功只是第一步。真正的价值在于批量处理成千上万份病历。下面我们用Python构建一个简单的自动化脚本。

4.1 调用Ollama REST API实现批量化处理

Ollama提供标准的HTTP接口，我们可以用requests轻松集成：

import requests import json def extract_medical_data(text): url = "http://localhost:11434/api/generate" prompt = """请从以下出院小结中提取结构化信息...（省略，见上文）""" full_text = prompt.replace("{{PATIENT_RECORD}}", text) payload = { "model": "qwen-medical", "prompt": full_text, "format": "json", # 强制JSON输出 "stream": False, "options": { "temperature": 0.1 # 降低随机性，提高一致性 } } try: response = requests.post(url, json=payload) result = response.json() return json.loads(result['response']) except Exception as e: print(f"解析失败: {e}") return None # 示例调用 with open("discharge_summary.txt", "r", encoding="utf-8") as f: content = f.read() structured_data = extract_medical_data(content) print(json.dumps(structured_data, ensure_ascii=False, indent=2))

4.2 添加后处理校验机制

由于医学数据敏感，建议增加一层校验逻辑：

def validate_extraction(data): errors = [] if not isinstance(data.get("patient_info", {}).get("age"), int): errors.append("年龄应为整数") if data.get("vital_signs", {}).get("heart_rate") and not (40 <= data["vital_signs"]["heart_rate"] <= 200): errors.append("心率数值异常") # 可扩展更多规则... return len(errors) == 0, errors

4.3 批量处理与结果入库

最后，结合pandas和SQLAlchemy，可以实现：

• 读取目录下所有TXT/PDF（配合OCR）
• 逐个调用模型提取
• 校验后写入MySQL或SQLite

这样就形成了一个完整的本地化医疗文档结构化流水线，既高效又合规。

5. 总结：为什么这套方案值得推广？

通义千问3-14B的出现，标志着开源大模型进入了“高性能+低成本+易部署”的新阶段。结合Ollama生态，我们得以在普通工作站上实现过去只有大型机构才能完成的自然语言处理任务。

在这套医疗文档结构化系统中，我们实现了：

• 高精度提取：利用Thinking模式提升复杂语义理解能力
• 长文本支持：128k上下文覆盖完整病历
• 结构化输出：原生JSON支持，便于系统集成
• 本地化部署：保护患者隐私，避免数据外泄
• 商用免费：Apache 2.0协议，企业可放心使用

更重要的是，这套方法论不仅适用于医疗领域，还可迁移到法律文书、金融报告、客服工单等其他需要从非结构化文本中提取结构信息的场景。

未来，随着qwen-agent生态的完善，我们甚至可以让模型自动调用数据库、发起审批流程、生成随访计划，真正实现AI驱动的智能医疗闭环。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。