【LIC·2025语言与智能技术竞赛——人民日报健康客户端赛道一】赛题解析

一、题目介绍

题目链接：LIC·2025语言与智能技术竞赛------人民日报健康客户端赛道一

1. 智慧医疗：从数据构建到Agent应用的全栈挑战

项目	说明
赛道名称	智慧医疗：从数据构建到Agent应用的全栈挑战
核心任务	赛道将数据工程与产品研发融为一体。参赛者需基于人民日报健康等提供的真实医疗数据，贯通高质量数据集构建 与智能Agent应用开发的全流程，并选择一个方向作为主要评审侧重点。
主要环节	1. 数据构建： 基于权威医疗长/短视频，进行语音转录、信息抽取和知识结构化，产出高质量的医疗问答（QA）数据集。 2. 应用搭建： 利用构建的数据集对文心大模型进行微调，并开发一个可交互的智慧医疗Agent，解决真实场景问题。
提交产出	1. 数据集成果： 结构化医疗QA数据集及完整的处理流程文档。 2. 应用成果： 智慧医疗Agent应用Demo及技术方案说明文档。
评测机制	最终成绩由评估集自动评测(40%)与现场答辩分(60%)组成。专业评审将根据团队选择的侧重点进行：若侧重数据构建 ，则主要评估数据集质量；若侧重应用搭建，则主要评估应用产品的完整性与技术深度。
赛题亮点	体验从原始数据到AI产品的全链路开发；接触业界稀缺、高信噪比的真实医疗语料；将数据工程能力与大模型应用能力深度结合，全面锻炼解决复杂行业问题的综合能力。

2.数据集示例

• 1. "人民名医"专家长视频

  • 数据描述： 由国内顶级权威专家主讲的长视频讲座（约1小时/期），包含系统、深入的疾病诊疗知识。
  • 核心任务： 将长视频的语音转录为文本 ，并从中提炼、构建高质量、结构化的QA问答对。
  • 应用价值： 构建体系化的高质量医疗对话数据集，用于微调领域大模型 ；将专家知识提炼为样本，作为预训练数据增强。
  • 初赛示例： 提供 人民名医.xlsx 文件，内含5-10个专家讲座视频的观看链接及基础信息。

• 2. "大夫说"科普短视频

  • 数据描述： 面向公众的轻量级科普短视频（约3分钟/期）。
  • 核心任务： 进行关键信息提取 ，快速生成标准化的QA问答对。
  • 应用价值： 快速生成轻量级科普语料，适配移动端健康助手场景，可作为高质量的RAG知识库。
  • 初赛示例： 提供 大夫说.xls 文件，内含5-10个短视频的观看链接及基础信息。

• 3. "健康号"多模态内容

  • 数据描述： 包含海量（总量10万+）的图文和视频内容。
  • 核心任务： 进行多模态数据融合与对齐，构建跨模态数据集。
  • 应用价值： 用于训练医疗多模态大模型 的基座能力，或构建多模态RAG知识库，实现跨模态搜索、AIGC科普内容智能生成等。
  • 初赛示例： 提供一个"健康号"文件夹，其中包含数个.mp4格式的小视频文件作为样例。

• 4. 结构化疾病库

  • 数据描述： 包含1450个结构化的疾病条目。
  • 核心任务： 基于条目进行知识图谱构建 ，形成实体关系三元组。
  • 应用价值： 将疾病关联关系数字化，支撑诊断辅助系统 的开发或作为高质量的患者教育知识库。
  • 初赛示例： 提供 查疾病.xls 文件，内含5-10个疾病条目的示例数据。

3.难点分析

题目难点主要是：

• 爬取并下载各类视频
• 视频转文本
• 图片转文本 这几点是比较耗时的。

二、数据转换

1.视频转文本

可使用Whisper（large）等模型对视频进行语音识别，将转录文本直接保存到txt文件中。语音转文本的模型很多，可选范围较大。

# 加载 Whisper 模型（也可以用 "small", "medium", "large"）
model = whisper.load_model("large")

# 语音转文字
result = model.transcribe(audio_path)

# 保存字幕文本
with open(subtitle_path, "w", encoding="utf-8") as f:
    f.write(result["text"])

2.图片转文本

图片转文本方法较多，可使用PaddleOCR，也可以使用 EasyOCR，也可以使用多模态大模型进行提取，均可。

3.构建QA数据对

如何构建数据对呢，可以结合视频、文章、图文标题和识别后的内容，一同传给大模型，例如ERNIE等，通过prompt提示词，生成QA数据对，可以提多个问题，prompt作优化。

prompt = f""" 你是一个QA提取专家，请从我给定的文本中尽可能的提取出qa对，并返回一个json格式的列表，格式如下： [ { "instruction": "问题", "output": "答案" } ] # 如果需要结合标题以及摘要，则使用以下prompt： #请你结合视频的标题、摘要以及文本进行QA构建：\n 标题为：{title} \n 摘要为:{abstract} \n 文本正文为：{content} \n # 否则你应该使用以下prompt： 我的文本是： {content} """

 create_knowledge_graph_prompt(medical_case: Dict[str, Any]) -> str:
    """创建用于生成知识图谱的提示词"""
    prompt = f"""
    请将以下病例信息转换为知识图谱格式。知识图谱应包含以下要素：
    
    1. 实体（Entities）：
       - 患者（Patient）
       - 症状（Symptoms）
       - 诊断（Diagnosis）
       - 病史（Medical History）
       - 检查结果（Test Results）
       - 治疗方案（Treatment）
       - 药物（Medications）
    
    2. 关系（Relationships）：
       - 患者-呈现-症状
       - 患者-有-病史
       - 症状-指向-诊断
       - 诊断-需要-检查
       - 诊断-建议-治疗
       - 治疗-包含-药物
    
    病例信息：
    {json.dumps(medical_case, ensure_ascii=False, indent=2)}
    
    请返回JSON格式的知识图谱，结构如下：
    {{
        "entities": {{
            "patients": [...],
            "symptoms": [...],
            "diagnoses": [...],
            "medical_history": [...],
            "test_results": [...],
            "treatments": [...],
            "medications": [...]
        }},
        "relationships": [
            {{
                "source": "实体ID",
                "target": "实体ID",
                "type": "关系类型",
                "properties": {{}}
            }}
        ]
    }}
    
    请确保每个实体都有唯一的ID和必要的属性。
    """

messages=[ { "role": "system", "content": "你是一个医疗知识图谱专家，擅长将病例信息结构化为知识图谱格式。请直接返回JSON格式的结果，不要包含其他说明文字。" }

4.对数据进行清洗

主要是对跟医疗知识无关的数据进行处理，比如

• 人名
• 地名
• 时间

三、RAG对话构建

可使用的有LLMAnything等工具构建知识库问答，零代码可实现。

四、几点思考

• 一是要不怕动手，例如批量下载视频，爬
• 二是要有工程化思维，例如视频转文本，图转文本
• 三是要充分挖掘大模型能力，例如使用prompt构建QA,构建知识图谱