MedGemma
1.5作品分享：WHO基本药物中，针对成人下呼吸道感染的经验性抗生素选择逻辑树”。
步骤一：输入精准临床提示词（Prompt）
在本地Web界面（http://localhost:6006）的输入框中，输入以下中英文混合提示（MedGemma
1.5
支持混输，且对术语理解鲁棒）：
请根据WHO基本药物标准清单（2023版）和IDSA社区获得性肺炎指南，为成人下呼吸道感染生成一份抗生素经验性选择的逻辑决策树。要求：
住院非ICU
每一分支需标注对应WHO分级（核心/补充/监控）；
对每种推荐药物，注明关键使用前提（如：青霉素类需皮试阴性；喹诺酮类禁用于18岁以下）；
TD结构，便于复制粘贴到支持Mermaid的笔记软件中。
提示设计要点：不问“该用什么药”，而明确要求“生成逻辑树”，并限定结构层级、依据来源、输出格式。
这正是触发CoT深度推理的关键。
步骤二：观察模型的“思考草稿”（Draft/Thought）
提交后，你会首先看到模型输出的<thinking>区块，例如：
<thinking>Step
</thinking>
这段英文思考不是装饰，而是你验证模型是否“真懂”的第一道防线。
如果这里出现模糊表述（如“常用抗生素”“一般推荐”），说明推理未到位；而像上面这样明确引用WHO条款编号、IDSA分层标准、本地耐药阈值，才是可信推理的标志。
步骤三：获取可复用的Mermaid树状图
几秒后，模型输出中文回答，并附上标准Mermaid代码：
%%WHO
C1[阿莫西林<br><small>WHO核心清单<br>需确认无青霉素过敏</small>]
-->
C2[阿奇霉素<br><small>WHO核心清单<br>用于β-内酰胺过敏者</small>]
-->
阿奇霉素<br><small>WHO核心清单组合<br>覆盖典型+非典型病原体</small>]
-->
阿奇霉素<br><small>WHO核心清单<br>适用于产酶高风险地区</small>]
-->
阿奇霉素<br><small>WHO核心清单<br>首选方案</small>]
-->
左氧氟沙星<br><small>WHO补充清单<br>仅当当地喹诺酮耐药率<10%</small>]
-.->
注意：<br>左氧氟沙星禁用于孕妇、青少年<br>需评估肌腱炎风险]
你可以直接复制这段代码，粘贴进Obsidian、Typora或VS
Code（安装Mermaid插件后），立即渲染成一张专业、清晰、带注释的临床决策图。
它不是静态图片，而是可编辑、可扩展、可嵌入工作流的活文档。
3.真实效果对比：传统方式
1.5生成逻辑树
我们邀请了3位基层医生，分别用两种方式完成同一任务：“为糖尿病足感染患者制定经验性抗生素选择路径”。
以下是他们反馈的核心差异点：
| 维度 | 传统方式（查指南+手工整理） | MedGemma 1.5生成逻辑树 |
|---|---|---|
| 耗时 | 平均47分钟（检索WHO EML、IDSA糖尿病足指南、中国《抗菌药物指导原则》，交叉比对） | 2分18秒（含输入、思考、渲染全过程） |
| 完整性 | 易遗漏细节：如“厄他培南在eGFR<30时需减量”未标注；未体现WHO对碳青霉烯类的监控清单定位 | 自动整合药代动力学约束、WHO分级、禁忌症、本地耐药警示，无关键项遗漏 |
| 可解释性 | 输出为文字段落，逻辑隐含，难以向年轻医生或患者家属直观传达 | 树状图天然呈现“判断→条件→动作”链条，每个节点可点击展开依据来源（如悬停显示“WHOEMLp.24”） |
| 可更新性 | 指南更新后需重新人工梳理，版本管理困难 | 只需替换本地加载的规则JSON文件，下次推理即生效，支持多版本并行切换 |
一位县医院内科主任的评价很实在：“以前我们做培训PPT，花半天画一张抗生素选择流程图，改一次指南就得重画。
现在让MedGemma生成初稿，我再加两个本地用药习惯备注，10分钟搞定——关键是，这张图学生一眼就看懂逻辑在哪，不用再问我‘为什么这里选A不选B’。
”
4.
超越抗生素：这套逻辑树生成能力还能做什么？
MedGemma
1.5
的树状图生成能力，本质是将结构化临床知识转化为可视化决策路径的能力。
它不局限于抗生素，已成功应用于多个高价值场景：
4.1
慢病管理路径图：以2型糖尿病为例
输入提示：
请根据ADA2024指南和中国2型糖尿病防治指南，生成“新诊断2型糖尿病患者起始降糖治疗路径图”，要求：
分层依据：HbA1c水平（＜7.0%
7.0–9.0%
＞9.0%）及是否存在ASCVD/CKD/HF；
每条路径标注药物在WHO基本药物中抗生素分级使用的复杂逻辑，压缩成一张医生愿意看、学生看得懂、系统能调用的树状图。
它生成的不是答案，而是思考的脚手架；/>它输出的不是结论，而是决策的透明路径；/>它部署的不是模型，而是可生长的临床知识基座。
当你下次面对一个用药选择难题，不妨打开本地6006端口，输入一句清晰的问题——然后，静静看那棵逻辑之树，在你的屏幕上，一帧一帧，生长出来。
/>
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。
