Excalidraw AI助力医疗领域信息可视化

Excalidraw AI助力医疗领域信息可视化

在一场多学科会诊中，心内科、肿瘤科和影像科的医生围坐一桌，讨论一名复杂病例的治疗路径。有人口头描述流程，有人翻找纸质指南，还有人试图用手机画图解释——信息传递效率低下，关键节点容易遗漏。这样的场景，在现代医院并不少见。

如果能有一种工具，让医生只需说出“帮我画一个术后随访流程”，系统就能自动生成一张结构清晰、术语规范的图表，并支持多人实时修改、永久存档，会怎样？这正是Excalidraw + AI正在实现的可能。

传统的医疗文档依赖文字报告和静态表格，难以直观呈现临床路径、诊疗逻辑或系统架构。尤其在跨科室协作、医学教育和远程会诊中，缺乏统一视觉语言往往导致沟通成本上升、执行偏差增加。而市面上主流绘图工具如 Visio 或 Lucidchart 虽功能强大，却存在学习门槛高、协作受限、数据安全性不足等问题。

Excalidraw 的出现提供了一种轻量级但极具潜力的替代方案。它本质上是一个开源虚拟白板，采用手绘风格渲染图形元素，界面极简，操作直观。更关键的是，它的底层数据结构完全开放：所有图形都以 JSON 格式存储，包含位置、尺寸、连接关系等元数据，天然适合程序化处理与自动化生成。

近年来，随着大语言模型（LLM）的普及，开发者开始将 AI 能力集成到 Excalidraw 中，形成了所谓的“Excalidraw AI”。用户输入一段自然语言描述，比如：“画一个糖尿病患者管理流程，包括筛查、诊断、用药指导和复诊提醒”，系统即可调用 LLM 解析语义，输出符合 Excalidraw 数据结构的 JSON，自动渲染成可视图表。

整个过程的技术链路并不复杂：
用户输入 → NLP 语义理解 → 图结构规划 → JSON 构造 → 渲染引擎 → 可视化输出

真正有价值的是这个链条背后的工程实现方式。例如，在解析“初诊→检查→用药→复诊”这一序列时，AI 不仅要识别出四个节点，还要判断它们之间的顺序关系是否为线性流程，是否存在条件分支（如“血糖控制不佳则转专科”），甚至要考虑布局美观性——这些都需要对提示词（prompt）进行精细设计，并结合后处理逻辑优化坐标排布。

以下是一个典型的 Python 实现示例，利用 OpenAI 接口生成 Excalidraw 兼容的 JSON：

import openai import json openai.api_key = "your-api-key" # 建议通过环境变量注入 def generate_excalidraw_json(prompt: str) -> dict: system_msg = """ You are an assistant that generates Excalidraw-compatible JSON structures. Output only the JSON object, no explanations. The JSON should have a 'type': 'excalidraw', version 2, and include elements array. Each element must have id, type, x, y, width, height, strokeStyle: 'rough' for hand-drawn look. Text labels should be in the 'label' field. Use simple layout (left to right). Example structure: { "type": "excalidraw", "version": 2, "source": "AI-generated", "elements": [ { "id": "A1", "type": "rectangle", "x": 100, "y": 100, "width": 180, "height": 60, "strokeStyle": "rough", "label": { "text": "Start", "fontSize": 16 } } ] } """ response = openai.ChatCompletion.create( model="gpt-4-turbo", messages=[ {"role": "system", "content": system_msg}, {"role": "user", "content": prompt} ], temperature=0.5, max_tokens=2048 ) try: return json.loads(response.choices[0].message['content']) except Exception as e: print("Failed to parse AI response:", e) return {} # 使用示例 if __name__ == "__main__": prompt = "Draw a patient triage workflow in emergency department: registration, vital signs check, doctor assessment, treatment or admission." result_json = generate_excalidraw_json(prompt) with open("triage_workflow.excalidraw.json", "w") as f: json.dump(result_json, f, indent=2) print("Excalidraw JSON generated and saved.")

这段代码的核心在于系统提示词的设计——它明确限定了输出格式、样式要求和字段结构，从而提高模型输出的稳定性。生成的 JSON 文件可直接导入 Excalidraw 编辑器进行二次编辑，非常适合构建自动化流程图生成服务。

但在医疗场景下，直接使用公有云 API 存在严重隐患：任何包含患者信息或敏感临床术语的内容一旦上传，就可能违反 HIPAA、GDPR 或中国《个人信息保护法》。因此，更合理的做法是采用本地部署的大模型。

借助 Ollama 框架，我们可以轻松运行经过医疗领域微调的 Llama 3 模型（如llama3-med-v1），实现端到端离线处理：

ollama pull llama3-med-v1

import requests import json def query_local_llm(prompt: str, model="llama3-med-v1") -> str: url = "http://localhost:11434/api/generate" payload = { "model": model, "prompt": prompt, "stream": False } response = requests.post(url, json=payload) if response.status_code == 200: return response.json()["response"] else: raise Exception(f"LLM request failed: {response.text}") def safe_generate_medical_diagram(description: str): system_prompt = """ You are a medical documentation assistant. Generate an Excalidraw-compatible JSON diagram based on the clinical workflow described. Ensure all terms follow standard clinical nomenclature (e.g., SNOMED CT). Do not include patient identifiers. Output only valid JSON. """ full_prompt = f"{system_prompt}\n\nDescription: {description}" try: raw_output = query_local_llm(full_prompt) json_start = raw_output.find("{") json_end = raw_output.rfind("}") + 1 clean_json_str = raw_output[json_start:json_end] return json.loads(clean_json_str) except Exception as e: print("Error parsing LLM output:", e) return None # 示例调用 diagram = safe_generate_medical_diagram( "Create a post-operative monitoring flow for cardiac surgery patients: ICU admission, vitals every hour, weaning from ventilator, extubation criteria, step-down unit transfer." ) if diagram: with open("post_op_monitoring.excalidraw.json", "w") as f: json.dump(diagram, f, indent=2) print("Medical diagram generated locally without cloud exposure.")

这种方式不仅保障了数据隐私，还能通过微调模型提升专业术语识别准确率。例如，在训练阶段引入 MIMIC-III 数据集中的流程描述，可以让模型更好理解“weaning from ventilator”应映射为“呼吸机撤离评估”而非字面直译。

从应用角度看，Excalidraw AI 最具价值的不是“代替人工绘图”，而是推动医疗知识的标准化沉淀。设想一家三甲医院正在建立肿瘤 MDT（多学科会诊）标准流程：

1. 主任医师输入：“生成一个 MDT 流程，包括病例筛选、资料准备、会议召开、方案制定、随访安排。”
2. AI 快速输出初稿，团队成员通过链接加入画布，实时调整节点顺序、补充细节。
3. 定稿后保存为模板，纳入机构知识库，供后续新病例复用。
4. 所有修改记录自动留存，满足质控审计要求。

这种“AI 初稿 + 专家精修 + 团队协同 + 模板复用”的模式，显著降低了流程建设的成本，也避免了因人员变动导致的知识断层。

更重要的是，这类工具正在改变医疗协作的文化。过去，很多经验丰富的医生习惯于“心里有数”，不愿花时间整理成文；而现在，只需几分钟语音输入，就能把脑海中的诊疗逻辑变成一张可共享、可迭代的图表。隐性知识由此得以显性化，年轻医生也能更快掌握复杂流程。

当然，落地过程中仍需注意几个关键点：

• 术语一致性：建议预先构建医院级医学术语词典，并嵌入 AI 提示词中，防止出现非标准表述。
• 人机权责分明：AI 仅负责生成草图，最终决策权始终掌握在医务人员手中。
• 权限与审计：所有图表应记录创建者、修改历史和审批状态，符合医疗文书管理规范。
• 集成路径：可通过插件机制将 Excalidraw 嵌入 EMR 系统，在电子病历中直接调用图表生成功能。

整体架构上，理想部署模式如下：

+---------------------+ | 医务人员终端 | | (Web Browser) | +----------+----------+ | v +---------------------+ | Excalidraw Web App | | - 手绘画布 | | - AI 输入框 | +----------+----------+ | v +---------------------+ +--------------------+ | AI Gateway Service |<--->| Local LLM / Cloud API| | - 请求路由 | | (GPT/Llama3-Med) | +----------+----------+ +--------------------+ | v +---------------------+ | 医疗图谱数据库 | | - 模板库 | | - 版本历史 | +----------+----------+ | v +---------------------+ | HIS / EMR System | | (可选集成) | +---------------------+

所有组件均可部署于医院内网，形成闭环系统，确保敏感信息不出域。

回看这场技术演进的本质，其实是“表达自由度”的一次跃迁。以前，只有擅长 PPT 或精通绘图软件的人才能有效传达复杂逻辑；现在，任何一个临床一线工作者，都可以用自己的语言快速构建专业级可视化内容。

未来，随着边缘计算能力增强和医疗大模型成熟，这类轻量级智能工具将在智慧医院建设中扮演更重要的角色。它们未必是最耀眼的技术，却是最贴近实际工作流的“生产力杠杆”。

对于医疗机构而言，与其等待完美的解决方案，不如从今天开始尝试用 Excalidraw AI 把第一个临床路径图画出来——有时候，改变就是从一张简单的草图开始的。