第一部分

垂直领域大语言模型构建与应用

Ø 垂直领域大语言模型的价值

Ø 垂直领域大语言模型的应用场景

Ø 垂直领域大语言模型类top文章的撰写格式

Ø 如何将垂直领域大语言模型的构建融入到国自然申报？

第二部分

Framework构建

Ø 何为Framework套路？

Ø 基于Framework的研究设计及构建思考

Ø 完成Framework类研究的要点总结

Ø 撰写套路：Framework类top文献撰写

Ø 绘图制图：Framework类文献精美图片展示与绘制

第三部分

Benchmark构建

Ø 何为Benchmark套路？

Ø 基于Benchmark的研究设计及构建思考

Ø Benchmark和Framework类研究的差别与联系

Ø 撰写套路：Benchmark类top文献撰写

Ø 优化改良：别人的Benchmark，我是否可以“拿来主义”？

第四部分

特定领域的问题回答，指定领域的常见问题分析

Ø Most commonly asked questions类研究为什么容易发表？

Ø 如何准确定位好特定领域？

Ø 巧找常见问题（如何定义常见问题）

Ø 文章快速高效撰写

Ø 文章定位与投稿

第五部分

基于LLMs的多模态数据分析

（数据+图像）

Ø LLMs多模态数据分析的优势

Ø 多模态数据的收集与准备

Ø 多模态数据的取与舍

Ø LLMs多模态数据分析的多个top刊发表案例

第六部分

风险调查（心理模拟，抑郁、焦虑、自杀、死亡风险等）

Ø 风险调查类研究如何选题？

Ø 如何诱导LLMs成为模拟患者？

Ø 风险筛选、个性化诊断、预测及治疗

Ø 多个案例展示

第七部分

文字报告类分析与纠错

Ø 如何巧用LLMs针对文字类文件进行深入分析？

Ø 文字记录的自动生成与纠错——广受欢迎的应用研究

Ø 样本量的设计与排纳标准

Ø 案例展示与文章撰写

第八部分

学生、青年学者、医师、护士教育

Ø 巧选教育方向，发表top刊SCI

Ø LLMs教育领域的研究设计特点

Ø LLMs与医学教育——交叉方向的全面总结

Ø 案例展示与文章撰写

第九部分

患者教育、满意度调查与患者报告结局

Ø 患者教育的重要性与选题

Ø 满意度调查与患者报告结局（PRO）

Ø LLMs+PRO=万金油

Ø 案例展示与文章撰写

第十部分

个性化问卷构建

Ø 基于LLMs的个性化问卷构建

Ø 如何针对性的选择较为热点领域

Ø Questionnaires+X=套路扩展应用

Ø 案例展示与文章撰写

实践和技术部分

第一部分

LLM医疗应用场景模拟：问答与风险评估

Ø 使用特定的大模型工具，如ChatGPT、deepseek等；

Ø 模拟患者设定角色，进行精准问答；

Ø 诱导模型成为一名有抑郁风险/肿瘤诊断的患者，通过对话模拟诊疗过程；

Ø 风险筛选、个性化诊断、预测及治疗；

Ø 利用模型生成结构化问卷，用于评估患者的心理健康风险。

第二部分

多模态数据分析体验

Ø 从计算机专业角度了解多模态大模型；

Ø 上传医学影像（如X光片、CT图像），让模型进行初步分析或描述；

Ø 上传带有图表的医疗报告，让模型进行数据提取和总结。

第三部分

报告纠错与文字分析

Ø 将医学资料或论文摘要输入LLMs，让其进行语法、逻辑和事实性错误检查；

Ø 利用模型对大量病历文本进行关键词提取和主题分析。

第四部分

大模型原理&DeepSeek创新点

Ø 从计算机角度：大模型是什么、大模型的原理、大模型的框架

Ø 分析任务选择：大模型与传统机器学习模型之间的区别【适用范围选择】

Ø 认识Deepseek：Deepseek创新点、Deepseek与其它LLMs区别

Ø 本地部署：Deepseek本地部署介绍及部署后的应用

第五部分

Python基础与高级技巧

Ø Python环境搭建与开发工具（Jupyter Lab）

Ø 基础语法与数据类型应用

Ø 常用库实操（NumPy、Pandas、Matplotlib、requests、openai）

Ø JSON+pandas处理数据集

Ø Python高级应用技巧（函数封装、面向对象、模块化开发）

第六部分

大模型API调用实战

Ø 本地大模型&云厂商大模型对比

Ø 选择主流大模型API（chatgpt、glm、qwen、deepseek等）。

Ø API Key的获取与管理。

Ø 大模型的参数介绍

Ø 单轮/多轮对话控制

Ø 编写Python脚本，实现与大模型的简单对话功能。

第七部分

大语言模型的局限性

Ø 幻觉的定义：模型生成看似合理但实际错误或虚构的信息。

Ø 成因分析：数据偏差、模型架构、训练方式等。

Ø 规避技巧：如何设计Prompt减少幻觉，以及如何进行交叉验证。

第八部分

大模型训练基础与微调（Fine-tuning）

Ø 模型训练流程概述：从数据准备到模型部署。

Ø 微调的重要性：为什么通用模型无法完美适用于所有垂直领域。

Ø 实战思路：通过SFT（Supervised Fine-Tuning）或RAG（Retrieval-Augmented Generation）思路，利用小样本数据提升模型在特定医学领域的表现。

Ø 训练与优化效果评估：评估指标、人工评估、结果对比

第九部分

从0到1：构建一个简单的垂直领域应用

Ø LlamaFactory环境搭建与项目准备

Ø LlamaFactory支持的微调数据集格式

Ø LlamaFactory命令行参数详解与模型微调

微调模型效果评估与部署

第十部分

课程辅助措施

Ø 长期微信群答疑，为学员扫清技术难点障碍

Ø 技术咨询、合作，提供全方位服务

Ø 专业技术团队深入探讨

Ø 科研基金项目合作