AI评审中医量化模型：真实数据回验揭示辨证量化难题

我最近干了一件挺有意思的事——把自己搭的一套中医量化模型表发给了豆包，想请它站在一个懂中医文献、也会看数据逻辑的第三方角度，用我收集的真实医学数据回验结果来评价这套模型到底靠不靠谱。这个过程比我想象中有启发，也让我把不少“拍脑袋自以为合理”的地方重新拆了一遍。

先说明一下背景，免得有人误解。我做这张中医量化模型表，不是想证明“AI能替代老中医”，更不是为了做诊断系统。我是想解决一个困扰很久的问题：中医辨证很多时候靠经验、靠“感觉”，感觉这个东西很难复用、很难教、也很难自我纠错。所以我尝试把常见证型的辨证过程拆成可记录、可打分、可复核的结构化表格，再用真实医案回验，看这套规则能不能经得起对照。

下面我把整个事情分块展开讲，包括我为什么建这张表、选了哪些结构、怎么用真实医学数据回验、豆包给出的核心评价，以及我针对反馈做了哪些迭代。文章里所有涉及患者的记录都做了脱敏处理，只保留了辨证学习需要的信息。要提醒一句：这套表是个人训练思维用的工具，任何结论都不能替代线下中医师的面诊判断。

1. 我为什么要把“只可意会”的中医辨证改成量化表

1.1 中医学习里最让我头疼的是知识不可复用

学中医一段时间后你会发现一个尴尬情况：书上的证型定义，比如“脾气虚”表现为食少、腹胀、便溏、神疲乏力，看着清清楚楚，可一旦面对真实患者，症状往往不是按书上一项一项出现的。有人神疲乏力很明显，食少却不严重；有人舌淡有齿痕，但便溏和腹胀都不突出。这种情况下，到底算不算脾气虚，不同人的判断可以差很远。

我跟过一些前辈抄方，同一个患者，在不同人嘴里会听到“脾气虚夹湿”“脾虚湿困”“湿阻中焦”三种说法。三种说法方向相似，但又不一样，背后对应方药也会有差异。问题在于，很少有人把“为什么得出这个结论”的过程完整写下来。多数时候是脑子里一过性的综合判断，这个综合判断非常快，快到本人也说不太清其中的权重。

量化表的初衷就是把“脑内过程”外化。我把我理解中辨证会看的几类信息——主症、兼症、舌象、脉象、诱因、体质背景——拆成字段，每种证型对应不同的观察项，再给观察项分配不同权重。最后模型输出一个得分排序，告诉我这段医案最可能落在哪几个证型里。

1.2 量化不是反中医，是给经验搭个脚手架

有朋友听说我搞量化模型，第一反应是“你把中医搞成西医了”。这话我不同意。量化只是把判断的过程记录下来，跟中医理论本身没有冲突。就像方歌有组成、有剂量、有加减法，经方里每一味药的用量比例本来就是相对固定的“量化经验”；舌诊里的“舌淡胖大有齿痕”和正常舌象之间也有可识别的差异边界。

真正让人担心的不是“量化”，而是“量化之后自以为很科学，忽略辨证需要具体语境”。所以我在设计表的时候一直提醒自己：模型是用来帮助我训练辨证步骤、验证思路是否一致的脚手架，不是可以脱离患者直接下判断的公式。脚手架的意义在于，搭起来之后你能看到自己站在哪一层、哪里站得不稳，然后在反复使用中不断调整它。

1.3 那张评审对象“中医量化模型表”到底长什么样

我早期建的表主要聚焦在脾胃系证型，这是我日常整理医案最多的方向。整体结构分为三层：第一层是医案基础信息字段，第二层是症状体征采集表，第三层才是证型匹配逻辑。

当时为了测试方便，我做了个简化版，核心是“症状强度等级 + 证型观察项权重 + 舌脉关键映射”。症状强度使用0-3分，0代表无，1代表轻度偶发，2代表经常存在且影响状态，3代表重度或持续明显。然后每种证型下面列出一串观察项，每项带一个权重，最后所有得分加起来，超过设定阈值就作为待选证型输出。

用一段高度脱敏的示例来说明。假设面对一则以乏力来诊的医案，记录为“神疲乏力明显，食少，饭后腹胀，大便偏溏，面色偏黄，舌淡胖边有齿痕，脉细弱”。按我当时的评分方式，“脾胃气虚”项下加分很高，“脾虚湿盛”次之，“肝郁脾虚”也有一定得分，因为它包含腹胀、乏力、食少这类共享症状。这个结果不用细想也知道有道理，可一旦出现相似症状组合，比如“腹胀、食少、乏力”里再加一个“胸胁胀满”，模型就常常把肝郁脾虚排到脾胃气虚前面，和带教老师的意见对不上。

用文字描述这套表总觉得抽象，我贴一张当时用的简化结构（正式版更复杂），重点让大家直观看到量表长什么样：

这里要解释清楚一件事：表格里的“证型评分”只是对常见辨证思路的模拟，不是诊断结论。一个真实患者经过一段周期治疗，证型可能变化；同一个症状在不同体质背景下指向也不同。这张表的作用是帮我在整理医案时形成一套统一的记录口径，它能让我对比：为什么面对相近的记录，我和老师的判断不一样？差在哪里？是抓主症的口径不同，还是舌脉权重给错了？

当你带着这种视角使用模型，它就不再是“算命表”，而是一面照见自己辨证盲区的镜子。

2. 拿真实医学数据做回验：过程比想象中啰嗦，结果比预期中扎心

2.1 我的数据从哪来、怎么处理合规问题

量化最怕没有真实数据验证。如果只是拿自己编的例子来回跑，那叫什么模型？最多叫自我安慰。所以从2023年底开始，我积累了一批可用于复盘的真实门诊记录改写成的学习型样本。所谓改写，是把患者身份信息、就诊机构信息、药物剂量等敏感字段全部去掉，只保留症状、体征、舌脉、参考证型判断过程等辨证学习可用的部分。

数据来源这里我多说一句。这些样本来自我参与整理的学习型病案记录，都属于过去式病历资源。我做的是把其中辨证相关信息结构化，然后让模型用这些信息回演辨证过程。数据量不算大，最终能用的是115条。我自己清楚这个量级做不了严格意义上的临床研究，但用来做个人模型调试和思维复盘，已经够暴露问题了。

回验前我还做了两项准备工作：

• 每一条数据都补上了“参考辨证”字段，这个字段是整理记录时由带教长辈确认过的辨证方向。
• 对症状描述做了统一归并，比如把“胃纳差”“不欲食”“纳少”全部归入“食少”，避免同一意义的不同词形干扰匹配。

这个清洗过程很枯燥，但非常关键。你连数据口径都不统一，模型回验时根本分不清差异来自证型本身，还是来自用词不规范。

2.2 回验流程：标答、预测、比对、复盘

回验的逻辑不复杂，可以理解成“考试”。参考辨证是标准答案，量表按记录输出就是模型交出的答卷，我的工作就是把两份答案一张一张地比对。

具体流程分四步走：

第一步，把结构化后的医案逐条录入量表系统，确保症状、舌脉等字段完整。漏填字段的样本全部单独标记，不进入最终统计，防止“缺胳膊少腿”的数据拉低成绩。

第二步，让模型对每条样本输出候选证型排序，最高分者作为预测结果。为了看模型对不同证型的敏感程度，我要求它同时输出前两候补，不只是“最终答案”。

第三步，人工比对。预测结果与参考辨证完全一致记为“一致”，方向相同但不同细分类记为“半一致”，完全对不上记为“不一致”。

第四步，把“不一致”的样本单独挑出来，逐条查看当初评分时哪些症状和舌脉贡献了错误权重，这就是后续迭代的原材料。

你可能会问，为什么不直接跑个统计软件算Kappa？其实我也算了，但说实话，样本量有限、模型也远没成熟的情况下，把精力花在指标计算上不如花在逐条错误分析上。统计指标给我一个总览，逐条分析告诉我问题出在哪。对个人研究者来说，后者更有用。

2.3 回验结果：一致性不算差，但红灯远比绿灯扎眼

115条有效样本去掉缺失严重的数据后，实际可回验104条。最终结果是：模型主判断与参考辨证完全一致的占54.8%，半一致的占23.1%，明显不一致的占22.1%。如果把“完全一致”和“半一致”都算作方向正确，总方向一致率大约是77.9%。

单看这个数字好像还行，但当我拆到具体证型，问题就全出来了。举几个典型情况：

这组数据告诉我一件事：模型对单一证型、特征明显的样本表现尚可，一旦遇到真实世界的高频混合证型就开始露馅。最让我脸红的是寒热错杂那组，样本只有6条，3条直接被模型导去了清热方向，完全无视了中焦虚寒前提。

你说红灯扎心吗？挺扎心的。但换个角度想，如果不用量表而只凭脑子回忆，我根本不会意识到自己在寒热错杂判断上有这么大的偏差。写到这我倒是想起一个收获：量化表最大的价值也许不在“预测得准”，而在“让你没法回避自己错得离谱的那些案例”。我自己的体会是，真实数据回验最忌讳挑好看的说，用一批数据反复改权重的过程其实就是模型被人为“喂答案”的过程，做到后面要对“一致率升高”保持警觉，因为它可能只是在拟合你预设的偏见。

3. 豆包对模型表的核心评价是什么

3.1 我把哪些材料喂给了豆包

回验做完，我拿到了一堆问题，但自己身在其中，有些问题看不太透。于是就有了开头提到的事：把整套内容发给豆包，请它做第三方评审。

我发给豆包的材料分四块：第一块是一页模型结构说明，包括字段设计、证型库范围、评分规则；第二块是简化版量表样例，让它能“看到”我所调的表长什么样子；第三块是上面那组回验结果，包含各证型的数量、一致率、典型误判描述；第四块是我列的几个具体困惑，比如“线性加分是否合理”“舌象权重到底该给多少”“混合证型怎么处理”。

在这里提一个实操建议：跟AI讨论复杂内容时，不要只丢一段模糊的“帮我看看这个中医量表模型”（那样大概率只会得到它泛泛夸你几句），而是把模型结构、检验过程、你已发现的问题分别列清楚，明确告诉它它要承担什么角色、从什么角度切入。提供的有效输入越多，它能给出的有价值的评价越具体。

3.2 豆包挑出的三个硬伤，每一个都戳中我的侥幸

豆包的回复不算长，条理很清楚。它先复述了一遍量表的设计初衷，随后给了三条核心批评。我逐条说，因为每条都直接影响了后续版本迭代。

第一，它指出“症状线性加分制造了伪精确”。这是个很尖锐的批评。我当时给每个症状按强度0-3打分，再乘以权重累加，这种做法默认了症状之间是相互独立、可以线性叠加的关系。但真实中医辨证不是这样一个平面模型。一个显著的主症，比如“胁肋胀满”，在肝郁脾虚里的信息价值可能比三个轻症加一起还大；与之相对的，模型却会把三个不痛不痒的轻症凑出很高分，导致误判。豆包用了个更直白的说法：不同维度的东西被强行放到同一把尺子上量，表面上看很精确，实际上是把模糊包装成了数字。

第二，它提出“舌象量化的层级关系不成立”。我原来的表里，舌象也用0-3分参与加总，比如“舌淡”记1分、“舌淡胖”记2分、“舌淡胖边有齿痕”记3分。豆包说这种评分暗含假设：齿痕舌比淡舌严重程度高三倍。可舌淡属于舌色异常，舌胖属于舌形异常，齿痕是舌体边缘的特征，它们之间不是“轻中重”的连续关系，而是分类变量的组合。用等差数列给舌象的不同属性打分，等于用一把错误的尺子量了三样不同的东西。这个点让我想了一阵，确实，一个舌象记录里同时包含颜色、形态、润燥、苔质多个维度，强行纳入线性加分只会把维度间的信息互相抵消。

第三，它说“证型库的边界太干净，处理不了复合状态”。这说的是我在寒热错杂样本上的翻车。豆包认为我的表把所有证型都当成互斥选项来设计，每个证型一条评分维度，最后按分数排序取第一。现实里复合证型很常见，比如脾胃虚寒夹食积、肝胃不和兼湿热，这些是“证型组合”而不是“单独证型”。要想处理这类情况，模型结构需要支持主证与兼证分层，而不是让所有证型在同一层争总分。

这三条里面，第一条和第二条本质上在批评同一个思维方式：我试图用简单的数字化去模拟一个系统性的判断过程。你要是拿这套逻辑去和真正的中医师比，人家看的不是单症状得分，而是症状之间如何相互印证、舌脉与主症是否匹配、病史演变是否支持当前判断。豆包未必懂临床，但它能从一个受过大量文本训练的逻辑视角发现，我的模型把判断过程过度简化了。

3.3 它觉得哪些地方值得保留，不只是批评

豆包也并不是全盘否定，它认可了几点。它认为这套表最重要的优点在于“可追溯性”，因为每条医案的辨证结论都能回溯到具体的得分结构。这意味着使用者可以回头审视自己当时的判断依据，知道某个证型结论是靠哪几个症状撑起来的。这种显式记录比单纯写一段“辨证属肝郁脾虚”的医案有价值得多——后者丢了推理过程，前者把推理过程留下来了。

它还认为，把舌脉当成独立字段而不是简单塞进“其他症状”里，在我看来很普通，在它看来反而难得。因为在它接触过的个人量化模型中，很多做法就像流水账一样把所有信息一视同仁。我的模型至少有了“关键信息单独处理”的意识，这给后续迭代保留了改进接口。

我觉得评价质量高低的关键，不在于它有没有夸我，而在于它有没有把我自己看不见的结构问题拎出来。从结果看，豆包做到了。

3.4 客观看待AI评价，别捧杀也别棒杀

豆包的反馈有价值，但我也必须提醒自己它的局限。它没有见过真实患者，不理解脉诊手感，也没法体会四诊合参里“望闻问切”的现场信息量。它对我的模型的判断，更多是从逻辑一致性、知识结构完整性、变量关系合理性这些维度做的推理。这些维度对模型设计非常关键，但它们不是中医辨证问题的全部。

所以我对AI评审使用的姿势是：让它做“逻辑漏洞稽查员”，不让它做“临床疗效评判官”。模型结构哪里不自洽、哪里过度简化、哪里概念层级混乱，这类问题AI很擅长发现；但某个证型在某个患者身上“是不是真的如此”，这种问题只有临床经验才能回答。用对场景，AI评价的参考价值就很大；用错场景，你就会把我个人量表测试结果误当成严谨的医学评估，这个误解就比较危险了。

还应注意数据隐私。凡是涉及个人病案的内容，我都严格脱敏后才放进与AI讨论的材料里。你要用AI帮你看模型，也一定先做脱敏，不传姓名、机构、时间地点和任何可识别的个案细节。这是底线。

4. 从反馈到迭代：一个需要自己动手打磨的过程

豆包的反馈给了我很好的修改方向。但反馈再到位，也不等于模型变好。我真正花时间的地方，是后面那一轮又一轮调整量表的版本迭代。

4.1 第一轮改动：把“症状线性加分”改成关联度加权

最容易改的是评分逻辑。我保留了主症的0-3分强度描述，但不再直接用强度×固定权重作为所有症状进入证型评分的唯一方式。而是引入一个“关联度”概念，每名症状与证型之间的关系被分为弱关联、中关联、强关联三档。强关联表示该症状出现时，应当对此证型产生明确的提示作用，比如“胸胁胀满”对肝郁脾虚；弱关联表示只能作为背景支持，比如“倦怠乏力”在肝郁脾虚里的提示作用就比较有限。

进入计分时，强关联症状的贡献会远大于中关联，弱关联的贡献被进一步压低。原来的做法下，三个“乏力”“食少”“腹胀”类弱-中关联症状可以靠堆数量凑出高分，改进后这种堆量得分现象明显减少。说白了，评分不再是“多者胜”，而是“关键证据优先”。

4.2 第二轮改动：舌脉组合不再进入加分制，改成筛选门槛

舌象和脉象的问题不是靠调权重大小就能真正解决的，因为它们的属性是分类变量而非等差变量。于是我把舌脉项从评分模块中抽出来，改成“资格门槛”。

每一条候选证型都设定一组相对重要的舌脉条件。比如判断脾胃气虚时，“舌淡、舌体胖大或边有齿痕”被设为加分倾向较高，但如果出现“舌红少苔”这类矛盾表现，哪怕症状分再高，证型也不会进入主推列表。反过来，模型会把“舌脉与主症不匹配”单独标出来，提醒使用者复核是否主症记录有遗漏。

这样一改，舌象不再充当“多拿几分”的工具，而是变成一道闸门。这个类比很好理解：你不能用两套互相矛盾的证据同时证明一个结论，如果舌象与症状描述指向相反，先不要急着给模型加分，先检查辨证方向是否站得住。

4.3 第三轮改动：不再单靠主观经验定权重，用数据倒推

其实很早之前我就想把“拍脑袋定权重”改成“从数据里学习权重”，但一直懒得动。豆包的话促使我下了决心。它说得对：任何一个权重，只要不是从数据里来的，本质上就是主观假设。主观假设不是罪，但不验证就当成准则，就是懒。

我做的操作比较轻量，没有上复杂的机器学习模型，只是换了一种统计思路。在全部有效样本中，我把每个症状在对应参考证型里的出现频率拉出来，用频率来指导权重的初始设置。比如在脾胃气虚样本里，“食少”出现频率高达80%以上，“口淡”只有26%，那前者权重就应该明显高于后者。这种方法不是严谨的算法，但对小样本实践来说，它比纯经验拍脑袋可靠得多。

到这里必须插一句：增加数据倒推后，模型在训练集上的“成绩”通常会变好，但这不代表模型真正变强了。它可能只是记住了这批样本里的规律，换一批新样本成绩就掉回原形。所以我没有拿全部数据去调权重，而是留了20条样本单独放在一边，调完权重后专门用这20条做测试。这种做法的核心思想很简单：用一套数据给模型“出题”，然后再用另一批它没见过的题来考它，成绩才可信。

4.4 第四轮改动：允许输出“存疑”，不逼模型假装确定

还有一类误判来自模型的盲目自信。当时量表只要得分超过阈值，就一定会输出一个主推证型，哪怕这个分值只比另一位候选高出0.5分。问题在于，真实辨证里有些情况本来就无法定论，硬要排序只会制造一种“已经判断得很准”的幻觉。

后期我加了一个“存疑区”设计：当两个候选证型的分差小于某个比例时，模型不再输出唯一主推，而是输出“待鉴别”提示，把该查看的鉴别要点列出来。例如肝郁脾虚和脾虚湿盛都能解释“腹胀食少便溏”时，模型会主动提醒用户关注“胁肋胀满是否与情绪波动相关”“舌苔是白腻还是薄白”等鉴别点。这个改动听起来很简单，却大大提升了模型的实际价值——它教会使用者在拿不准的时候怎么去收集补充证据，而不是假装自己很笃定。

为了方便对照，我把从初版到第四版的关键差异整理成了一张简表：

如果你也在做类似的自定义模型或规则表，我建议不要一口气把所有问题都改完，最好一次只动一个环节。先改评分逻辑，跑一轮真实数据看效果；再改舌脉逻辑，再跑一轮。混在一起改，出问题时候很难定位到底哪一项调整产生了影响。

5. 自建中医量化模型表，我的避坑速查与实操经验

5.1 常见问题速查表（照着处理，能少走一半弯路）

在反复迭代过程中，我攒下不少经验。这一部分我以速查表的形式整理出来，方便同类实践者快速对照：

这里再展开讲一个容易被忽视的点：模型迭代时需要建立版本管理制度。这句话听着有点工程化，但个人项目同样适用。我每改一版量表，会存一份不同的文件并写清改动时间、改动内容、改动原因，回验结果也一并保留。没有这个习惯时，一旦新版本效果变差，你根本没法退回到旧版本对比。有了版本记录，找回一个有效的参数组合就很快。

5.2 用豆包这类AI做“模型评审”的具体提问技巧

我试过几次后总结出一种更高效的用法，就是让AI的评审更结构化。同样是把模型给豆包看，问题问得好不好，得到的结果质量是两个层次。

这里分享三个技巧：

一、给出明确角色和任务。不用“你觉得我的模型怎么样”这类单向评价式问法。改成：“你是一位中医文献研究助理，请审阅以下量表结构、回验数据和我的三个困惑，指出模型中可能存在的逻辑漏洞，不要直接夸设计。”AI会明显切换到审阅模式，回复会更克制也更具体。

二、把材料分块编号，让它“逐块给意见”。我通常按：模型结构说明、评分规则、回验结果、问题清单四块排列。逐块提意见能迫使它正视每一部分，而不会只看开头就泛泛而谈。

三、要求它给建议时描述具体的试验方式。豆包评价我的线性评分问题时，它给的是一句可操作的判定：“试着把强弱关联分开计分，用同一批数据对比一致率变化。”这种表述比“建议优化评分方式”有用得多。所以我后续提问都会加一句：“如果你的建议没有可执行的具体下一步，就重新组织语言。”

注意警惕一点：不要带着“我来验证要不要听AI的”心态，也不要有“AI说行就一定行”的信任。它评价的价值在于帮助发现逻辑死角，最终的取舍判断必须结合你自己的实践体会。模型的临门一脚，始终在你看过的那些真实样本里。

5.3 说到底，量化模型值不值得做（附一点个人心得）

这个问题我反复想过。如果只是追求“整理医案更规范”，其实用一个结构化的Word模板就够了，不必非搞权重和评分。但如果你想训练自己的辨证鉴别能力，想发现自己推理过程的盲点，那量化模型是有价值的——价值不全在输出结果准不准，而在每一次回验时逼你面对那些“当初怎么会这么判”的尴尬时刻。

我自己的体会是：做这种量化尝试，真正难的不是设计表，是不停地拿真东西去撞它。真数据会把你的侥幸、模糊、自洽逻辑都撞出来；豆包这类AI给出的评价，则像一面放大镜，帮你把这些被撞出来的问题看得更清楚。但放大镜不能替代你亲身走到真实样本里去理解问题，它只能帮你看清自己身在何处。

最后再分享一个小观察。回看四轮迭代，最让我受益的不是评分机制变得多精确，而是我终于养成了一种“证据习惯”：下辨证结论之前，先问自己是靠哪几条信息得出这个结论的，这些信息之间是否相互印证，有没有相互矛盾的线索被我忽略。这套习惯，最初就是被那张量化表和豆包略带不留情面的评价一起逼出来的。如果你也正卡在中医辨证思路不稳定的阶段，可以试试用同样的方式搭建一个属于自己的小工具，不必复杂，只求诚实。