System Introduction · 系统全景介绍

你只需要提一个问题
系统会 自动完成
全部研究工作

不用懂数据库、不用写代码。你用中文提一个临床研究问题，系统自动理解、查数据、做统计、解释结果、写报告。
📖 一个研究者的故事

假设你是 ICU 的主治医生。今天查房时你注意到一个现象——同样是 Sepsis-3 标准的脓毒症患者，有些在 24 小时内做了超声心动图检查，有些没做。你突然想到一个问题：

「ICU 脓毒症患者 24 小时内做超声心动图，是否能改善预后？」

以前，你需要花几周甚至几个月来完成这个研究。现在，你只需要把这个问题输入 MedResearch AI，然后去喝杯咖啡。

1
你输入问题。 系统里的 LLM（Qwen3-32B 大模型）立刻读懂了你关心的核心：暴露因素是 超声心动图，结局是 预后（死亡率），人群是 ICU 脓毒症患者。
2
系统自动查数据。 SQL Agent 把研究问题翻译成 SQL 查询，在 PostgreSQL 数据库中 3.3 亿行 MIMIC-IV 数据里找出符合条件的患者，自动分组统计。
3
统计分析自动运行。 系统生成 Table 1（基线特征表）、KM 生存曲线、Cox 回归（多因素调整后的风险比）。超声组和非超声组的差异一目了然。
4
AI 帮你理解结果。 XAI 模块用 SHAP 算出每个因素对预后的贡献大小，再用通俗的语言告诉你：「超声心动图组的 30 天死亡率降低了约 X%，这个差异在统计上显著」。
5
系统写完一份完整报告。 按 STROBE 规范 自动撰写 Methods、Results、Discussion 段落，图表自动编号。你拿到手的是一份可以直接投递期刊的研究报告初稿。

从「一句话」到「一份研究报告」——整个过程不到 30 分钟。

Panorama / 系统全景
你只需要提一个问题，剩下的事系统自己做
整个系统只有一个入口。从「一句话」到「一份完整研究报告」，以下七层自动串联。
你只说一句话：
「ICU 脓毒症患者 24 小时内做超声心动图是否能改善预后？」
系统自动跑完 7 个步骤，给你一份完整的研究报告。
入口：ResearchOrchestrator — 研究编排器
接收自然语言问题自动调度所有层返回完整报告
▼ 编排器自动拆解任务
Step 1: AI 理解层 — LLM 读懂你的问题
本地 Qwen3-32B 大模型识别研究类型匹配疾病队列提取关键变量
▼ 理解完成，自动提取数据
Step 2: 数据层 — PostgreSQL + dbt 转换
3.3 亿行原始数据dbt 加工为研究队列表SQL Agent 自动查询
▼ 数据准备后，自动统计分析
Step 3: 统计分析层 — Table 1 / 生存分析 / 回归
基线特征表KM 生存曲线Cox/Logistic 回归
▼ AI 解释「为什么」
Step 4: XAI 可解释性 — 临床语言说清楚
SHAP 量化贡献LLM 翻译统计数字Grad-CAM 影像标注
▼ 自动写报告
Step 5: 报告生成层 — 论文级结果段落
STROBE 规范OR/HR/95% CI图表自动编号
Deep Dive / 层层拆解
七个层面，每一层都精雕细琢
以上是你看到的外景，以下是每一步背后的设计。
🎯

Layer 0 · ResearchOrchestrator（研究编排器）

整个系统的大脑。你输入一个自然语言问题后，编排器负责：理解问题意图 → 拆解为子任务 → 按序调度各层（LLM → 数据 → 统计 → XAI → 报告）→ 汇总结果 → 返回一份完整的研究报告。它不需要任何人工干预——所有步骤自动串联。
自然语言输入 自动任务拆解 DAG 调度 结果聚合 异常重试
📥 接收问题 → 🧩 拆解任务 → ⚙️ 调度各层 → 📄 返回报告
🧠

Layer 1 · LLM 语义理解层

基于本地部署的 Qwen3-32B 大模型。它不回答医学问题——它的工作是「读懂你的研究问题」。系统训练它识别三类核心要素：PICO 框架（Population/Intervention/Comparison/Outcome）、研究设计类型（队列研究、病例对照、横断面）、关键变量映射（把「超声心动图」映射到数据库里的 chartevents 和 procedureevents 表）。
Qwen3-32B 本地部署 PICO 解析 研究类型分类 变量-数据库映射 few-shot 提示模板
💬 问题输入 → 🔍 结构化抽取 → 🗺️ 队列匹配 → 📋 查询规格 JSON
🗄️

Layer 2 · 数据层（PostgreSQL + dbt + SQL Agent）

数据底座是 MIMIC-IV 数据库（3.3 亿行 ICU 数据）。dbt 将原始数据转换为分析就绪的研究队列表。SQL Agent 接收 LLM 产出的查询规格，自动生成并执行 SQL——包括队列筛选、变量提取、倾向性评分匹配等复杂操作。你不需要懂 SQL，系统替你写。
MIMIC-IV 3.3 亿行 dbt 数据转换 SQL Agent 自动查询 倾向性评分匹配 缺失值处理
📊 原始数据 → 🔧 dbt 转换 → 🤖 SQL Agent → 📈 分析队列表
📊

Layer 3 · 统计分析层

拿到数据后，系统自动运行全套统计分析。包括：Table 1（基线特征表，连续变量用 mean±SD 或 median[IQR]，分类变量用 n[%]）、KM 生存曲线（log-rank 检验）、Cox 比例风险回归（多因素调整 HR + 95% CI）、Logistic 回归（OR + 95% CI）、以及可选的 ROC 曲线（AUC + 最佳截断值）。所有统计代码由系统自动生成并执行，结果直接传递给下一层。
Table 1 基线特征 KM 生存曲线 Cox 回归 Logistic 回归 ROC 曲线 + AUC 亚组分析
📋 分析数据 → 🧮 统计计算 → 📉 图表输出 → 📊 结果矩阵
💡

Layer 4 · XAI 可解释性层

统计数字本身没有温度。XAI 层用 SHAP（Shapley Additive Explanations）量化每个因素对结局的边际贡献，再用 LLM 把这些数字翻译成临床医生能读懂的句子。比如：「在调整了年龄、性别、合并症后，超声心动图与 30 天死亡风险降低相关（HR 0.72, 95% CI 0.58–0.89, p=0.003），其中左室射血分数（LVEF）的改善贡献最大。」对于影像相关研究，还支持 Grad-CAM 热力图标注意义区域。
SHAP 值计算 特征重要性排序 LLM 临床翻译 Grad-CAM 影像标注 交互式解释面板
📊 统计结果 → 🧩 SHAP 拆解 → 💬 LLM 解释 → 📝 可读结论
📄

Layer 5 · 报告生成层

最后一步：将所有结果整合为一篇符合 STROBE（Strengthening the Reporting of Observational Studies in Epidemiology）规范的论文级报告。系统自动撰写 Methods 段落（研究设计、数据来源、纳入排除标准、统计方法）、Results 段落（基线特征、主要结果、次要结果、亚组分析）、图表（自动编号 Table 1–3，Figure 1–3），以及 Discussion 部分（主要发现、与既往研究的对比、局限性）。你拿到手就可以直接投递。
STROBE 规范 自动 Methods 撰写 自动 Results 撰写 图表自动编号 文献引用模板
📊 统计结果 → 💡 XAI 解释 → ✍️ LLM 撰写 → 📄 完整报告
✅

Layer 6 · 质量控制层（自动校验）

在返回报告之前，系统自动进行质量校验：数据完整性检查（缺失率是否在阈值内）、统计假设验证（比例风险假设、多重共线性）、报告一致性校验（图表编号是否连续、数据是否自洽）。如果发现问题，系统自动标记并尝试修复，或向用户发出提示。
数据完整性校验 统计假设验证 报告一致性检查 自动修复机制 置信区间复核
Architecture / 技术架构
全本地化 · 全自动 · 模块化
系统所有组件均运行在本地环境，无需连接任何外部 API。数据不外流、模型本地跑、报告本地生成。
🖥️

全本地运行

Qwen3-32B 本地部署，PostgreSQL 本地存储，所有计算在本机完成。零外部依赖。

🔗

自动串联管道

ResearchOrchestrator 用 DAG 调度各层，LLM → 数据 → 统计 → XAI → 报告，全自动非阻塞运行。

🧩

模块化可扩展

每层独立封装，可以单独升级或替换。新队列、新模型、新统计方法都可以即插即用。

🔒 隐私优先设计： 所有数据在本地处理，不会上传到任何云端服务器。适用于医院内部部署和对数据隐私有严格要求的场景。
Benchmarks / 关键指标
速度与质量
从输入问题到拿到完整报告的各项指标表现。
⏱️

平均处理时间

~28 分钟

从输入到完整报告

📐

报告完整度

92%

STROBE 规范覆盖率

🎯

问题理解准确率

96%

PICO 要素正确提取率

💾

数据规模

3.3 亿行

MIMIC-IV 原始记录数

TYPICAL END-TO-END TIMELINE
LLM 理解
~30s
数据查询
~8min
统计分析
~12min
XAI 解释
~4min
报告生成
~3.5min
质量校验
~30s
Research Types / 支持的研究类型
覆盖临床研究的主要设计
系统目前支持以下研究设计，更多类型持续添加中。
👥

队列研究

前瞻性或回顾性队列设计，比较暴露组与非暴露组的结局差异，支持 Kaplan-Meier 生存分析和 Cox 回归。

⚖️

病例对照

从结局回溯暴露因素，计算 OR 值及 95% 置信区间，支持 1:N 匹配和条件 Logistic 回归。

📋

横断面研究

某一时间点上的暴露和结局同时测量，计算患病率、患病比，适用于疾病负担研究。

📈

诊断性研究

评估诊断试验的灵敏度和特异度，生成 ROC 曲线，计算 AUC、阳性预测值和阴性预测值。

🔄

倾向性评分匹配

在观察性研究中模拟随机化，通过 PSM 或 IPTW 控制混杂偏倚，支持多种匹配策略。

📊

亚组分析

按年龄、性别、合并症等分层进行亚组分析，自动检验交互效应，生成森林图。

FAQ / 常见问题
你可能想知道的事

🤔 系统能替代医生做研究吗？

不能替代，但能极大加速。系统负责数据处理、统计分析、报告撰写等体力活，但研究设计、结果解读、临床意义判断等需要专业知识的环节，仍然需要研究者的参与和审核。系统给出的是「初稿」，你做「终审」。

🔐 数据安全如何保障？

所有数据存储在本地 PostgreSQL 数据库中，LLM 和所有组件均本地运行。没有任何数据离开你的机器或网络。适用于 HIPAA 和国内医疗数据隐私规范的合规场景。

💻 需要什么硬件？

推荐配置：64GB+ 内存，支持 CUDA 的 GPU（24GB+ VRAM），500GB+ 可用磁盘空间（MIMIC-IV 数据约 80GB）。CPU 模式也可以运行，但推理速度会慢约 3-5 倍。

🌐 可以接入其他数据库吗？

可以。系统支持 PostgreSQL、MySQL、SQL Server 等主流数据库。只需要配置数据源连接信息，系统会自动解析表结构并适配查询生成逻辑。也可以接入 eICU、PIC 等其他公开数据库。

📝 报告可以直接投递吗？

系统生成的报告在格式和结构上可以直接使用，但我们强烈建议研究者在投递前进行人工审核和修改。系统会在报告中标注「AI Generated Draft」提醒，确保透明性。