大型语言模型DeepSeek在中国医院的快速部署需要监管应对沈天义,李玉溪,曹延林,新都,王欣如,张亚娟 & 张毅 自然医学 volume31,pages3233–3238页（2025年）引用本文1824年访问5 引用2 高计制指标detailsDeepSeek 在医院部署现场的潜力揭示了一个需要加强指导的监管“灰色地带”。DeepSeek，一家中国科技初创公司，发布了一系列开源大型语言模型（LLM），其中其旗舰推理型LLMDeepSeek-R1最为突出。DeepSeek-R1于2025年1月推出，其性能可与美国主流模型如OpenAI的o1抗衡，同时大幅降低运营成本 1,2. 最新研究强调，LLMs在临床决策支持、医疗文档、研究与教育以及慢性病支持等多种医疗任务中提升效率和效果的潜力 3,4. 然而，在涉及实际医生和患者的实体医院部署LLMs时，仍面临持续的挑战，包括数据隐私、高计算成本、集成复杂性和解释性有限5.在DeepSeek-R1之前，这些挑战限制了LLMs在中国少数大型医院的采用。然而，这一格局正在迅速发展。截至2025年5月8日，我们已识别出超过755家医疗机构，涵盖领先医院到初级保健机构，已部署DeepSeek-R1。其中超过500家实现了本地部署（OPD），即在医院自身基础设施内部署和运行一个或多个DeepSeek模型，而非使用外部云服务或第三方应用。这些机构已在临床服务、医院运营、科研与教育以及个人健康管理服务等多种场景中应用DeepSeek-R1（表1提供实际门诊场景）。值得注意的是，部署也出现在人均国内生产总值较低、医疗支出有限的欠发达省份。然而，这些部署目前仍处于监管“灰色地带”，对患者和医院都构成风险，凸显了加强监管指导的紧迫需求。表1 医院中DeepSeek医疗解决方案实际部署的情景与需求全尺寸表格Deepseek 的技术优势DeepSeek凭借多项技术优势，尤其是高性价比，成为中国首个被广泛采用的医院大型语言模型解决方案6以及开源可定制性，这两者对于降低医院部署成本至关重要。目前，DeepSeek-R1 主要采用两套商业一体化系统，且两种配置对许多医院来说仍然经济适用。相较于早期大型语言模型的推理性能，DeepSeek-R1 的多阶段训练方法实现了更高的推理性能，可与 OpenAI 的 o1 相当，这对复杂的医疗任务至关重要 2,7.DeepSeek-R1还采用了麻省理工学院的开源许可，赋予使用、修改和分发的高度灵活性。这确保了与现有医院系统的兼容性。通过提供由DeepSeek-R1提炼而成且硬件需求更低的小型型号，DeepSeek将门诊成本在实际操作中压低至10万美元以下。此外，医院可以根据自身具体需求（见表1）、硬件可用性和预算限制选择定制解决方案。因此，DeepSeek大幅降低了医院门诊门诊的门槛。在DeepSeek发布之前，中国许多顶级医院已开始尝试由Qwen和Llama等公司开发的开源LLM。对于这些机构来说，即使在短时间内实现快速门诊也是可行的。然而，我们也承认，利用机构公告推断LLM实际部署存在潜在偏见。由于缺乏政府注册或官方部署数据库，我们依赖中国医疗机构维护官方账户的腾讯官方账户平台作为权威来源。为最大限度减少公告与实际部署之间的差异，我们采用了精细筛选方法，识别出755家实际部署的医疗机构。为进一步确保数据集真实性，我们对70名中国医院信息管理协会成员进行了调查，这些成员负责各自机构的信息技术（IT）部门，因此对DeepSeek的实际部署状态有第一手了解。调查响应率为83%，收到来自15个省、市和自治区58家医疗机构的回复。这一双源验证确认了我们数据集的准确性和可靠性。为什么医院偏爱DeepSeek首先，大多数医疗应用对训练数据和用户输入都施加严格的安全和机密要求（见表1）。DeepSeek支持的门诊办公室确保所有数据都存储在内部服务器上，从而最大限度地减少数据泄露风险并保护患者隐私。这种方法符合当前医疗数据保护的法律标准，并在医院将LLM集成到内部系统并使用专有数据进行领域特定开发和微调时，降低了合规风险。图。1展示了DeepSeek OPD运营的实际系统架构，其中本地基础设施模块和控制层确保了上述安全要求。图1：北京P医院DeepSeek OPD的真实系统架构。图1：北京P医院DeepSeek OPD的真实系统架构。这张图片的替代文本可能是用AI生成的。全尺寸图像中央处理器CPU;电子病历（EMR）;图形处理单元GPU;实验室信息系统LIS;图像归档与通信系统PACS;检索增强生成（检索增强生成，检索相关外部通道并将其集成到模型上下文中以提高响应准确性）。其