MedGemma 1.5提示工程：医疗领域Prompt设计指南

MedGemma 1.5提示工程：医疗领域Prompt设计指南

最近，谷歌开源的医疗多模态大模型MedGemma 1.5吸引了不少开发者的目光。这个40亿参数的模型，不仅能看懂CT、MRI这些复杂的医学影像，还能理解病历、化验单等文本信息，甚至能听懂医生的专业口述。

但很多朋友在实际使用时发现，直接问“这张CT有什么问题？”或者“分析一下这个化验单”，得到的结果往往不尽如人意。要么回答太笼统，要么干脆跑偏了。这其实不是模型能力不行，而是我们提问的方式不对。

医疗领域的AI应用，对精确度的要求极高。一个模糊的提问，很可能导致一个不准确的回答。今天，我就结合自己这段时间的摸索，跟大家聊聊怎么给MedGemma 1.5设计高效的提示词，让它真正成为你的得力助手。

1. 理解MedGemma 1.5的“语言习惯”

在开始设计提示词之前，我们得先了解这个模型的“脾气”。MedGemma 1.5虽然强大，但它本质上还是个需要明确指令的AI。

1.1 模型的能力边界

从官方资料和实际测试来看，MedGemma 1.5主要擅长以下几个方面：

• 医学影像分析：包括CT、MRI、X光、病理切片等，能识别异常、定位病灶、对比历史影像。
• 医学文本理解：能处理病历记录、化验报告、病理描述等非结构化文本。
• 多模态推理：可以结合图像和文字信息进行综合判断，比如“根据这张CT和患者的病史，最可能的诊断是什么？”
• 结构化信息提取：能从大段的文字中提取关键数据，比如化验单里的数值、单位、检测项目。

但它也有明显的局限：

• 不是临床诊断工具：官方明确说明，它不能直接用于临床诊断或治疗建议。
• 需要具体上下文：问得越模糊，回答越可能不准确。
• 对专业术语敏感：用对专业词汇，它能理解得更准确。

1.2 基础Prompt结构

一个好的医疗Prompt通常包含几个关键部分：

[角色定义] + [任务描述] + [输入信息] + [输出要求] + [约束条件]

举个例子，一个糟糕的提问是：“看看这个片子。”而一个好的提问应该是：“你是一位经验丰富的放射科医生。请分析这张胸部CT平扫图像，重点描述肺野、纵隔、胸膜有无异常发现。如果发现结节，请描述其位置、大小、密度特征。请用专业的放射科报告格式回答。”

看出区别了吗？后者给了模型明确的角色、具体的任务、关注的部位、输出的格式要求。这样的Prompt，模型才知道你到底想要什么。

2. 不同医疗场景的Prompt设计技巧

医疗场景千差万别，不同的任务需要不同的提问策略。下面我分几个常见场景，给大家一些具体的例子。

2.1 医学影像分析场景

这是MedGemma 1.5的强项，但也是最容易用不好的地方。

通用模板：

你是一位专业的[放射科/病理科/超声科]医生。 请分析这张[影像类型]图像。 请重点关注以下方面：[具体部位或特征列表]。 如果发现异常，请描述：[异常特征要求]。 请按照[报告格式]的格式给出分析结果。

实际案例：胸部X光分析

# 这是一个实际可用的Prompt示例 prompt = """ 你是一位资深放射科医生。 请分析这张后前位胸部X光片（PA view）。 请按顺序评估以下结构： 1. 胸廓对称性与骨骼 2. 肺野透亮度、纹理、有无实变或结节 3. 肺门大小、形态 4. 纵隔轮廓、心影大小 5. 膈肌位置、形态 6. 胸膜腔有无积液、气胸 如果发现异常，请： - 明确描述异常的位置（如：右上肺野、左心缘旁） - 描述异常的特征（大小、密度、边界、形态） - 给出可能的鉴别诊断（不超过3个） 请用标准的放射科报告格式回答，包括：检查技术、影像表现、印象/建议。 """

关键技巧：

• 指定视图：明确是“后前位（PA）”还是“前后位（AP）”，这对判断心脏大小很重要。
• 结构化观察：按解剖顺序列出要观察的部位，避免遗漏。
• 异常描述标准化：要求模型用“位置+特征”的方式描述异常。
• 输出格式化：要求特定的报告格式，方便后续处理。

2.2 病历文本分析与问答

MedGemma 1.5在医学文本理解上也有不错的表现，特别是新版在EHR问答上准确率提升了22%。

通用模板：

你是一位临床医生，正在查阅患者的电子病历。 以下是患者的[病史/检查结果/治疗记录]：[粘贴文本]。 请根据以上信息：[具体任务]。 请重点考虑：[相关临床要点]。 请用[输出格式]回答。

实际案例：化验单解读

prompt = """ 你是一位内科医生。 以下是患者张三的血液化验结果： 【血常规】 白细胞计数：12.5×10⁹/L（参考值：3.5-9.5） 中性粒细胞百分比：85%（参考值：40-75） 淋巴细胞百分比：10%（参考值：20-50） 血红蛋白：110 g/L（参考值：115-150） 血小板计数：280×10⁹/L（参考值：125-350） 【生化】 C反应蛋白：45 mg/L（参考值：0-8） 降钙素原：0.5 ng/mL（参考值：<0.5） 请分析： 1. 有哪些异常指标？异常的程度如何？ 2. 这些异常组合可能提示什么临床情况？ 3. 建议下一步进行哪些检查或关注哪些方面？ 请用简洁的临床分析语言回答，避免过度解读。 """

关键技巧：

• 提供完整上下文：尽量给出相关的所有信息，而不是孤立的一个指标。
• 要求量化描述：让模型说明“轻度升高”、“显著升高”等程度。
• 引导临床思维：要求模型从异常指标推导到临床可能性。
• 设置安全边界：明确“避免过度解读”，防止模型给出超出其能力的诊断建议。

2.3 多模态综合推理

这是MedGemma 1.5最强大的能力之一——同时理解图像和文本，做出综合判断。

通用模板：

你是一位[专科]医生。 患者情况：[简要病史、症状、体征]。 相关影像：[影像描述或上传影像]。 实验室检查：[关键检查结果]。 请综合以上所有信息： 1. 影像的主要发现是什么？ 2. 这些发现如何与患者的临床表现相关联？ 3. 最可能的诊断是什么？还需要排除哪些情况？ 4. 建议的下一步处理方案是什么？ 请分点回答，区分哪些是基于影像的客观发现，哪些是综合推理。

实际案例：腹痛患者的CT评估

prompt = """ 你是一位急诊科医生。 患者李四，45岁男性，因“突发右上腹疼痛8小时”就诊。 疼痛为持续性绞痛，向右肩背部放射，伴恶心、呕吐。 查体：Murphy征阳性，体温38.2℃。 实验室检查：白细胞15×10⁹/L，中性粒细胞88%，血淀粉酶正常。 以下是患者的腹部CT平扫图像（已上传）。 请综合评估： 1. CT图像上胆囊、胆总管、肝脏、胰腺有何异常表现？ 2. 这些影像发现是否支持急性胆囊炎的诊断？ 3. 还需要考虑哪些鉴别诊断？（如：胆总管结石、胰腺炎等） 4. 基于当前信息，建议的紧急处理措施是什么？ 请明确区分：影像客观描述、临床推理分析、处理建议。 """

关键技巧：

• 信息整合：明确要求模型“综合”所有可用信息。
• 区分事实与推理：让模型说明哪些是影像上的客观发现，哪些是基于临床的推理。
• 考虑鉴别诊断：要求列出其他可能性，避免过早下结论。
• 关联处理建议：让推理自然地导向下一步该做什么。

3. 高级Prompt工程技巧

掌握了基础场景后，我们来看看一些能进一步提升效果的高级技巧。

3.1 思维链（Chain-of-Thought）提示

对于复杂的临床推理，让模型“展示思考过程”往往能得到更可靠的结果。

示例：

你是一位呼吸科医生，正在分析一位咳嗽、发热患者的胸部CT。 请按以下步骤思考： 第一步：系统观察CT图像，描述肺野、间质、胸膜、纵隔的异常表现。 第二步：将这些影像发现与患者的临床症状（咳嗽、发热）相关联。 第三步：基于影像和临床，列出可能的诊断，按可能性排序。 第四步：说明每个诊断的支持点和反对点。 第五步：建议最有价值的下一步检查以明确诊断。 请按照这个思考过程，逐步给出你的分析。

这种方法的好处是：

• 提高透明度：你能看到模型的推理路径，而不是只有一个结论。
• 更容易纠错：如果某一步推理有问题，你能及时发现。
• 更符合临床思维：医生在实际工作中也是按步骤思考的。

3.2 少样本学习（Few-Shot）提示

对于一些标准化报告或特定格式的输出，给模型几个例子能显著提升效果。

示例：病理报告生成

你是一位病理科医生，需要根据组织病理学图像生成标准化报告。 请参考以下报告格式： 【例子1】 标本类型：肺穿刺活检 镜下描述：镜下见肿瘤细胞呈巢状、腺管状排列，细胞异型性明显，核分裂象易见。肿瘤侵犯胸膜。间质纤维组织增生，伴淋巴细胞浸润。 免疫组化：TTF-1(+), Napsin A(+), CK7(+), P40(-), P63(-), Ki-67(约40%+) 病理诊断：肺腺癌 备注：建议完善基因检测 【例子2】 标本类型：胃镜活检 镜下描述：黏膜层见中等大小淋巴细胞弥漫浸润，细胞核不规则，可见核分裂。腺体减少，部分破坏。 免疫组化：CD20(+), CD3(-), CD5(-), CD10(-), BCL-2(+), BCL-6(+), MUM1(+), Ki-67(约70%+) 病理诊断：弥漫大B细胞淋巴瘤 备注：建议完善分期检查 现在请分析新的病理图像（已上传），按照上述格式生成报告。

关键点：

• 例子要典型：选择有代表性的、格式规范的例子。
• 例子数量适中：2-3个通常就够了，太多反而可能干扰。
• 明确对应关系：让模型知道该学习例子的哪些方面。

3.3 约束性提示

医疗场景中，我们经常需要限制模型的输出范围，确保安全性和相关性。

示例：

你是一位辅助医生工作的AI助手。 请根据提供的病历资料回答问题。 重要约束： 1. 只基于提供的信息回答，不添加外部知识 2. 不给出明确的诊断结论，只描述客观发现和可能性 3. 不使用“确诊”、“必须”、“一定”等绝对性词语 4. 所有建议必须标注“建议咨询主治医生确认” 5. 如果信息不足，明确说明需要补充什么信息 患者信息：[...] 问题：[...]

这种约束特别重要，因为：

• 控制风险：避免模型给出可能有害的医疗建议。
• 明确界限：让模型知道什么是它可以做的，什么是不能做的。
• 提高实用性：输出更符合实际工作流程。

4. 实际应用中的常见问题与解决

在实际使用MedGemma 1.5的过程中，我遇到了一些典型问题，这里分享给大家。

4.1 问题：模型回答太笼统

症状：问“CT有什么问题？”，回答“肺部可见异常密度影”，但没有具体描述。

解决方案：

• 具体化观察要求：明确列出要观察的解剖结构。
• 要求量化描述：如“描述结节的大小（精确到毫米）、密度（磨玻璃/实性/混合）、边界（清晰/模糊）”。
• 提供描述框架：如“请按照位置、大小、形态、密度、边界的顺序描述”。

4.2 问题：模型过度解读

症状：根据一点非特异性发现，就给出具体的疾病诊断。

解决方案：

• 明确角色限制：如“你是一位放射科医生，只描述影像发现，不做最终诊断”。
• 要求列出可能性：如“请列出3个最可能的鉴别诊断，并说明支持点”。
• 添加安全声明：如“以下分析仅供参考，最终诊断需结合临床”。

4.3 问题：忽略关键临床信息

症状：只看影像，不考虑患者的年龄、症状、病史。

解决方案：

• 强制综合评估：在Prompt中明确要求“结合患者年龄和症状分析”。
• 提供临床背景：即使模型可能不会主动用，也要提供完整的临床信息。
• 设置思考步骤：用思维链提示，其中一步专门是“关联临床信息”。

4.4 问题：输出格式混乱

症状：有时是段落，有时是列表，不利于后续处理。

解决方案：

• 严格指定格式：如“请用Markdown表格形式呈现”。
• 提供格式示例：直接给一个输出样式的例子。
• 分部分要求：如“第一部分用描述性文字，第二部分用要点列表”。

5. 结合MedASR的语音输入优化

MedGemma 1.5还有个搭档——MedASR语音识别模型。它的医疗术语识别错误率比通用模型低很多。结合使用时，Prompt设计也要相应调整。

5.1 语音转文本后的Prompt处理

医生口述的内容通常比较口语化，直接喂给MedGemma可能效果不好。

优化策略：

你是一位医疗文书助手。 以下是医生口述的病程记录（已通过MedASR转换）： [口述文本] 请完成以下任务： 1. 将口语化表达转为规范的医疗文书语言 2. 补充可能的缺失信息（用[]标注） 3. 结构化组织内容（主诉、现病史、查体、辅助检查、初步诊断） 4. 纠正明显的术语错误 请输出整理后的文书草稿。

5.2 语音直接触发分析

更流畅的流程是：医生口述→MedASR转文本→自动生成分析Prompt→MedGemma分析。

示例流程：

# 模拟一个完整流程 doctor_speech = "患者右下腹压痛反跳痛明显，体温38.5，白细胞一万八，考虑阑尾炎可能" # MedASR转换后 transcribed_text = "患者右下腹压痛、反跳痛明显，体温38.5℃，白细胞18×10⁹/L，考虑阑尾炎可能" # 自动构建的Prompt prompt = f""" 急诊外科场景。 医生口述摘要：{transcribed_text} 请协助： 1. 根据描述，最可能的诊断是什么？还需要排除哪些急腹症？ 2. 建议的紧急检查有哪些？（如：腹部超声、CT） 3. 如果需要手术，术前需要完善哪些准备？ 4. 给出一个急诊病历的草稿模板，包含已提供的信息和需要补充的部分。 注意：患者具体信息需进一步核实。 """

这种集成让医生的工作流更自然——边说边获得AI的辅助。

6. 实践建议与安全考量

在医疗领域使用AI，效果重要，安全更重要。最后给大家一些实践建议。

6.1 始终记住：辅助而非替代

无论MedGemma 1.5表现多好，它始终是一个辅助工具：

• 验证所有输出：重要的医疗决策必须由人类医生复核。
• 保持人类主导：AI提供信息和分析，人类做最终判断。
• 明确责任边界：清楚什么是AI能做的，什么是必须人类做的。

6.2 建立自己的Prompt库

医疗工作有很多重复性任务，建立分类Prompt库能大大提高效率：

建议分类：

• 影像报告类：各部位CT、MRI、X光的标准报告Prompt
• 病历整理类：门诊病历、入院记录、手术记录的整理Prompt
• 检验分析类：血常规、生化、凝血等常见检验的分析Prompt
• 鉴别诊断类：常见症状的鉴别诊断思维Prompt
• 患者教育类：疾病解释、用药指导的通俗化Prompt

6.3 持续迭代优化

Prompt工程不是一次性的：

• 记录效果：哪些Prompt效果好，哪些不好，为什么？
• 收集反馈：实际使用者（医生）的反馈最宝贵。
• 定期更新：随着对模型理解的深入，不断优化Prompt。
• 场景化调整：不同科室、不同医院可能有不同的习惯，需要调整。

6.4 隐私与合规

医疗数据敏感，使用时务必注意：

• 数据脱敏：去除所有个人标识信息。
• 本地化部署：MedGemma 1.5支持本地部署，适合对数据安全要求高的场景。
• 合规使用：遵守相关的医疗数据使用规定。
• 知情同意：如果用于实际工作，确保符合伦理要求。

整体用下来，MedGemma 1.5在医疗领域的表现确实让人印象深刻，但它的效果很大程度上取决于我们怎么“问”。好的Prompt就像和一位专家同事沟通——问题问得清楚具体，得到的回答才有价值。

医疗AI还在快速发展，Prompt工程是我们用好这些工具的关键技能。希望今天的分享能帮你更快上手MedGemma 1.5。在实际工作中，建议从小场景开始尝试，慢慢积累经验。记住，最重要的不是追求最复杂的Prompt，而是找到最适合你工作流程的方式。

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。