生物医学AI提示词是用户向生物医学领域人工智能模型（如医学影像分析模型、药物研发大模型、临床决策支持系统等）输入的指令或问题，旨在引导模型输出符合生物医学专业需求的内容，涵盖疾病诊断、药物设计、生物信息分析、医学文献解读等多场景。它是连接人类需求与AI能力的关键桥梁，精准度直接影响模型输出的有效性与可靠性。
### 一、核心应用场景
1. **医学影像诊断**：通过提示词要求AI分析CT、MRI、病理切片等影像，如“分析这张肺部CT影像（DICOM数据），识别磨玻璃结节并描述大小、形态，评估恶性风险（基于Lung-RADS标准）”，辅助医生快速定位病变、判断性质。
2. **药物研发**：指导AI设计或优化药物分子，例如“设计针对EGFR L858R突变的酪氨酸激酶抑制剂，要求分子量300-500 Da、口服生物利用度＞50%”，加速候选药物筛选流程。
3. **临床决策支持**：输入患者症状、病史、检查结果，如“65岁男性胸痛伴ST段抬高，建议鉴别诊断与治疗方案”，帮助医生快速生成诊断方向与处置建议。
4. **生物信息学分析**：处理基因、蛋白数据，如“分析肝癌RNA-seq数据的差异基因与通路富集”，助力科研人员挖掘分子机制。
5. **医学文献与知识管理**：检索或总结领域文献，如“综述2023-2024年阿尔茨海默病靶向Aβ的临床研究进展”，提升知识获取效率。
### 二、有效提示词设计要点
1. **明确任务类型**：清晰定义需求（分析、生成、预测、总结等），避免模糊表述。例如“生成”类任务需明确输出格式（如SMILES结构、JSON诊断列表）。
2. **补充上下文信息**：提供领域相关细节（如患者年龄、基因靶点、数据类型），减少模型歧义。例如临床提示词需包含症状、病史、检查结果；药物设计需说明靶点、ADMET约束。
3. **专业术语精准性**：使用生物医学规范术语（如“Lung-RADS分级”“CYP3A4相互作用”），确保模型理解专业需求。
4. **输出格式约束**：要求结构化输出（如表格、JSON、SMILES），便于后续分析或集成到医疗系统。例如“输出差异基因列表（基因名、fold change、FDR）及KEGG通路气泡图（通路名、富集度、P值）”。
### 三、典型提示词示例
#### 1. 医学影像分析（肺部CT）
“请分析这张肺部CT影像（DICOM格式，层厚1mm）：
– 识别所有磨玻璃结节（GGN），记录每个结节的**位置**（肺叶、段）、**大小**（最长径，mm）、**形态**（圆形/不规则形）、**边缘**（光滑/毛刺）；
– 基于Lung-RADS v2.0标准，给出每个结节的**分类（1-4类）**及**恶性风险（低/中/高）**；
– 输出关键发现的可视化标注（如在影像截图上标记结节位置）。”
#### 2. 药物研发（EGFR抑制剂设计）
“设计一种靶向EGFR L858R突变的酪氨酸激酶抑制剂，需满足：
– 分子量：300-500 Da，LogP 1-3（口服吸收佳）；
– 活性：对L858R突变型EGFR的IC₅₀＜10 nM，对野生型EGFR的选择性＞10倍（IC₅₀野生型/突变型＞10）；
– 成药性：溶解度＞10 μg/mL（pH 7.4），CYP3A4抑制率＜20%（浓度1μM时），无明显hERG通道抑制（IC₅₀＞10 μM）；
– 输出：化学结构（SMILES格式）、预测IC₅₀（突变型/野生型）、ADMET性质（溶解度、渗透性、肝毒性风险）。”
#### 3. 临床诊断（急性胸痛）
“患者信息：男性，65岁，胸痛30分钟（放射至左臂）、大汗、恶心；既往高血压（150/90）、高血脂（未服药）；ECG示V1-V4 ST段抬高（0.2-0.4 mV），肌钙蛋白I 0.5 ng/mL（参考值＜0.04）。
请输出：
– **可能诊断（按可能性排序）**：如急性ST段抬高型心梗（STEMI）、主动脉夹层、肺栓塞；
– **鉴别要点**：对比各疾病的症状、ECG、生物标志物差异；
– **下一步措施**：建议的检查（如冠脉造影、CTA）、治疗（如急诊PCI、溶栓条件评估）。”
#### 4. 生物信息学（RNA-seq分析）
“分析GSE123456的RNA-seq数据（肝癌组织 vs 癌旁组织，n=3/组）：
– 筛选**差异表达基因**：fold change＞2，FDR＜0.05，输出基因列表（基因名、log₂FC、FDR）；
– 进行**GO功能富集**（生物过程、细胞组分、分子功能）和**KEGG通路分析**，要求：
– 富集分析工具：clusterProfiler（R包）；
– 输出前10个显著富集的**GO条目**（生物过程）和**KEGG通路**（含通路名、基因数、P值、富集因子）；
– 生成通路富集气泡图（x轴：富集因子；y轴：通路名；大小：基因数；颜色：-log10(P值)）。”
### 四、发展趋势与挑战
#### 1. 多模态提示词
结合文本、影像、分子结构、基因序列等多模态数据，例如“基于患者胸部CT（肺结节）、基因测序（EGFR L858R突变），设计个性化肺癌靶向药物，要求穿透血脑屏障（CNS permeability＞0.5）”，提升AI对复杂生物医学问题的理解。
#### 2. 临床场景智能化集成
与电子病历（EMR）系统联动，自动提取患者数据生成提示词，例如“从EMR中提取患者张三（ID:12345）的症状、病史、检查结果，生成临床诊断提示词，要求输出鉴别诊断列表（含支持/反对证据）及治疗建议（基于2024年ESC指南）”，减少人工输入成本。
#### 3. 提示词优化与反馈闭环
通过临床反馈（如医生修正AI诊断结果）优化提示词，例如“根据医生反馈（‘遗漏肺栓塞鉴别点’），调整提示词：‘补充肺栓塞的鉴别要点（D-二聚体、CTA表现）’”，形成“提示词→输出→反馈→优化”的迭代闭环，提升准确性。
生物医学AI提示词的发展需平衡**专业精准性**与**模型可解释性**，未来将更深度融入医疗流程，成为医生、科研人员的“智能助手”，但需警惕过度依赖AI输出，需结合临床经验与多模态验证，确保医疗安全与创新效率并存。
本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。