（1）医药大模型概述与技术演进：了解大模型技术的发展历程及其在医药行业的应用价值。掌握从符号主义到深度学习的技术演进史，揭示大模型技术爆发的历史必然性。系统学习医学大模型的核心技术架构，对比通用大模型与医疗垂直大模型的差异与选型策略。分析大模型在医疗领域面临的机遇与挑战，包括数据隐私、可解释性、伦理合规等核心问题。
（2）Transformer架构与医学文本处理：深入解析Transformer架构的核心技术逻辑，详细介绍自注意力机制、位置编码和多头注意力机制等结构的原理。掌握医学文本数据的预处理技术，包括电子病历、临床报告、医学文献、药品说明书等多源异构文本的清洗与结构化方法。学习医学实体识别、关系抽取、知识表示等关键技术，构建医学文本的向量化表示。
（3）医学大模型微调与优化技术：掌握大模型微调的核心方法，对比全参数微调与参数高效微调（LoRA、QLoRA、Adapter）的适用场景。学习如何通过针对性优化预训练模型，显著提升大模型在垂直领域的任务表现。实践医学领域的指令微调技术，构建符合临床需求的对话模型。掌握强化学习（RLHF）在医学大模型对齐中的应用。
（4）医学知识增强与RAG技术：理解检索增强生成（RAG）在医学领域解决知识时效性和幻觉问题的核心价值。学习医学知识库的构建方法，整合临床指南、医学教材、药品信息、病历数据等多源知识。掌握医学文档的分块策略、向量化嵌入与混合检索优化技术。实践基于RAG的医学问答系统开发，实现精准的医学知识检索与生成。
（5）医学图像大模型与多模态应用：了解视觉大模型在医学影像分析中的应用，学习CNN与Transformer在医学图像识别中的融合方法。掌握医学图像报告自动生成的实现技术，包括胸部X光、CT、MRI等影像的自动描述与报告生成。学习多模态医学大模型的架构设计，实现影像-文本联合表示与跨模态检索。
（6）AI药物发现与分子生成：了解大模型在药物研发全链条中的应用，包括靶点发现、分子生成、ADMET性质预测、虚拟筛选等。学习使用AlphaFold等蛋白质结构预测工具，理解其在药物设计中的价值。掌握基于生成式AI的分子设计与优化技术，使用BioNeMo、KNIME等平台进行分子毒性预测与性质优化。
（7）临床决策支持与智能问诊：掌握基于大模型的临床决策支持系统设计方法。学习构建智能问诊系统，实现症状采集、疾病预测、诊疗建议生成。理解临床指南与医学知识的融合策略，确保决策建议的准确性与合规性。实践开发专科疾病管理大模型（如肿瘤、肾病、儿童肥胖等）的构建与应用。
（8）生物医学数据分析与课题设计：运用大模型辅助生信课题设计，通过对大量生信文献的快速梳理，精准提炼数据分析方向。学习借助大模型挖掘生信多组学数据的研究热点，把握领域前沿动态。掌握利用大模型辅助修改数据分析代码、整理转录组、代谢组、蛋白质等多组学数据分析流程的方法。实践基于TCGA、GEO等公共数据库的AI辅助数据挖掘与课题设计。
（9）医学智能体与工作流搭建：学习构建面向医学场景的智能体（Agent）系统，掌握智能体的感知-规划-记忆-执行核心架构。使用扣子（Coze）等平台搭建医学工作流，整合AI工具与科研资源，实现高效协同。通过案例演示，学习如何运用智能体优化实验设计、数据采集分析、成果转化等科研环节。实践构建面向特定医学任务的智能体应用。
（10）医学大模型部署与算力优化：掌握大模型的本地化部署技术，学习使用Ollama、vLLM、Llama Factory等工具进行模型量化与加速推理。了解昇腾、鲲鹏等国产算力平台的配置与使用方法。学习混合精度训练、梯度累积、分布式训练等优化技巧，在有限算力资源下实现大模型的高效训练与部署。
（11）医学大模型评估与合规：掌握医学大模型的多维度评估体系，包括医学问答准确率、临床指南遵从度、诊断建议安全性等核心指标。学习医学AI产品的监管要求与合规路径，了解《生成式人工智能服务管理办法》在医疗领域的应用。掌握医学大模型的可解释性技术，确保AI决策过程的透明性与可信度。
（12）综合项目实战：结合所学知识，完成一个完整的医药行业大模型应用项目（如智能问诊系统、医学知识问答助手、药物研发辅助平台、临床科研课题设计工具）。涵盖需求分析、数据处理、模型微调、知识增强、智能体集成、部署优化的全流程，形成规范的医学大模型应用项目报告。
