MediRead is an AI platform that turns medical check-up reports (image / PDF) into a structured, plain-language interpretation — covering blood routine, urinalysis, liver / kidney function, lipid & glucose panels, tumor markers and more.
Built with FastAPI · LangChain · Ollama · PaddleOCR · Milvus · MySQL · MinIO.
用户拿到体检报告后，常面临三大痛点：
- 几十项指标看不懂，专业术语晦涩
- 异常指标含义难判断，单项偏离≠真实风险
- 医院专家解读预约难且贵，时效差
MediRead 用户上传体检报告（图片 / PDF），AI 自动完成「指标识别 → 异常解读 → 生活建议 → 就医分级」，覆盖血常规、尿常规、肝肾功能、血脂血糖、肿瘤标志物等常见检验项目。
Patients receive dense, jargon-heavy medical reports without context. MediRead ingests the report (image / PDF), extracts indicators with OCR, retrieves authoritative medical knowledge, and produces a tiered risk interpretation with lifestyle and triage recommendations — all running on a privately-deployed LLM.
| 智能体 / Agent | 能力 / Capability |
|---|---|
| 报告解析 Agent | 图片 / PDF 双格式输入 · PaddleOCR + 版式识别 · 6 字段抽取 · 指标归一化 + 同义词映射 · 结构化 JSON 归档 |
| 医学解读 Agent | 医学知识库 RAG · 多指标联合分析 · ReAct 推理 · 四级风险分级 · 就医分级 · 危急值兜底 |
┌─────────────────────────────────────────────────────────┐
│ FastAPI Gateway (API) │
│ /upload /parse /interpret /history │
└────────────────────────┬────────────────────────────────┘
│
┌────────────────────────▼────────────────────────────────┐
│ 报告解析 Agent (Parser) │
│ PaddleOCR ──▶ 版式识别 ──▶ 6 字段抽取 ──▶ 归一化 │
│ 指标名/数值/单位/参考范围/性别/年龄 → 结构化 JSON │
└────────────────────────┬────────────────────────────────┘
│
┌────────────────────────▼────────────────────────────────┐
│ 医学解读 Agent (Interpreter) │
│ RAG (BM25+BGE+RRF+Cross-Encoder) ──▶ 多指标联合分析 │
│ ReAct 多步推理 ──▶ 四级风险 ──▶ 就医分级 ──▶ 兜底 │
└────────────────────────┬────────────────────────────────┘
│
┌────────────────────────▼────────────────────────────────┐
│ Milvus (向量) · MySQL (业务) · Redis (缓存) · MinIO │
│ Ollama (GLM-4-9B-Chat 量化版，本地部署，零外传) │
└─────────────────────────────────────────────────────────┘
详细架构图见 docs/architecture.md。
- OCR：PaddleOCR + 版式识别
- Agent：LangChain (ReAct) + StructuredTool
- 大模型：Ollama 私有化部署 GLM-4-9B-Chat 量化版 — 健康数据零外传
- RAG：BM25 + BGE 向量 多路召回 + RRF 融合 + Cross-Encoder 精排
- 后端：FastAPI · Pydantic · Tortoise-ORM
- 数据 / 存储：MySQL · Redis · MinIO · Milvus
- 部署：Docker · docker-compose
MediRead/
├── app/
│ ├── main.py # FastAPI 入口
│ ├── config.py
│ ├── agents/
│ │ ├── parser/ # 报告解析 Agent
│ │ │ ├── ocr.py # PaddleOCR 调用
│ │ │ ├── layout.py # 版式识别 (国内主流医院模板)
│ │ │ ├── extractor.py # 6 字段抽取
│ │ │ ├── normalizer.py # 指标归一化 + 同义词映射
│ │ │ └── schemas.py
│ │ └── interpreter/ # 医学解读 Agent
│ │ ├── react_chain.py # ReAct 多步推理
│ │ ├── joint_analysis.py # 多指标联合
│ │ ├── risk_grading.py # 四级风险 + 就医分级
│ │ └── prompts.py
│ ├── rag/ # 通用 RAG 组件
│ │ ├── ingestion.py
│ │ ├── hybrid_retrieval.py
│ │ └── reranker.py
│ ├── api/
│ ├── core/ # LLM / Embedding / DB / Storage
│ ├── data/
│ │ └── synonyms.json # 指标别名词典
│ └── schemas/
├── docs/
├── scripts/
├── tests/
├── docker-compose.yml
├── requirements.txt
└── .env.example
完整的「个人电脑 / 企业私有化服务器」部署文档（含信创 / 离线 / 医疗数据合规清单）见
docs/DEPLOYMENT.md。 下面是 6 行命令快起版本。
git clone https://github.com/Mrduan-cloud/MediRead.git && cd MediRead
cp .env.example .env # 编辑 JWT_SECRET_KEY / 密码
docker compose up -d # 拉起 MySQL/Redis/Milvus/MinIO/Ollama/API
docker compose exec ollama ollama pull glm4:9b-chat-q4_0 # 拉取本地 LLM (~6GB，关键)
docker compose exec api python -m scripts.seed # 初始化 DB + 医学 KB + Demo 报告
docker compose exec api python -m scripts.demo # 跑端到端 demo打开：
- Swagger 文档: http://localhost:8000/docs
- 健康探测: http://localhost:8000/ready
- MinIO 控制台: http://localhost:9001
- Prometheus 指标: http://localhost:8000/metrics
| 场景 | CPU | 内存 | 磁盘 | GPU | 模型 |
|---|---|---|---|---|---|
| 个人电脑开发 | 8 核+ | 32 GB | 200 GB SSD | 可选 (CPU 也能跑，单页 10–30s) | glm4:9b-chat-q4_k_m |
| 小公司生产 ⭐ | 16 核 | 64 GB | 500 GB+ SSD | 单卡 RTX 4090 24G | GLM-4-9B-Chat GGUF Q4_K_M |
| 中型企业生产 | 16 核 | 128 GB | 1 TB+ SSD | A10 24G / L20 48G / A100 40G+ | 同上 / 升级到 9B FP16 / 14B |
默认面向小公司私有化场景：单卡 RTX 4090（约 2 万整机）+ GLM-4-9B-Chat Q4_K_M (Ollama)，单一医院/体检中心私有化部署即可回本。 硬件成本对照、ROI 测算、按公司阶段选配指南：
docs/HARDWARE.md⚠️ 医疗数据合规：MediRead 处理敏感健康数据，生产部署必须严格遵循docs/DEPLOYMENT.md§3.5 医疗数据保护清单。
- 图片 / PDF 双格式输入
- PaddleOCR + 版式识别适配国内主流医院与体检中心的报告模板
- 抽取 6 类核心字段：
指标名 / 数值 / 单位 / 参考范围 / 性别 / 年龄 - Pydantic + JSONSchema 强约束输出结构化 JSON，归档 MinIO
针对中英文别名做归一化，跨报告指标对齐 → 支持多次报告趋势对比与异常自动标记：
| 别名 | 标准名 |
|---|---|
| GGT | γ-谷氨酰转移酶 |
| HDL-C | 高密度脂蛋白胆固醇 |
| ALT (GPT) | 丙氨酸氨基转移酶 |
| AST (GOT) | 天门冬氨酸氨基转移酶 |
词典源：公开医学词典 + 自建别名词典。
单一指标异常与多指标联合异常采用不同解读策略，避免「单指标偏离一律打高风险」误判：
例：
ALT + AST + GGT三项联动判定肝损伤迹象。
基于 LangChain ReAct 模式编排 LLM 多步推理。
| 风险等级 | 触发条件 | 建议 |
|---|---|---|
| 轻度偏离 | 单项轻度超界 / 参考下限附近 | 调整饮食与作息 |
| 关注观察 | 多项轻度偏离 / 单项中度偏离 | 1–3 个月复查 |
| 建议复查 | 单项明显偏离 + 关联指标异常 | 2–4 周复查 |
| 建议就医 | 危急值 / 多项联动重度异常 | 全科 / 专科 |
危急值兜底（如肿瘤标志物显著升高）强制触发「建议尽快就诊专科」话术。
通过 Ollama 私有化部署 GLM-4-9B-Chat 量化版，所有用户体检数据均在内网处理，不出本地。
| 路径 | 方法 | 说明 |
|---|---|---|
/api/upload |
POST | 上传体检报告（image / pdf） |
/api/parse/{report_id} |
POST | 触发 OCR 解析与结构化抽取 |
/api/interpret/{report_id} |
POST | 触发医学解读 + 风险分级 |
/api/history/{user_id} |
GET | 多次报告趋势对比 |
完整 schema 见 /docs (Swagger UI)。
- 《中国成人体检基本项目专家共识》
- 《临床检验项目大全》
- 公开权威医学指南与共识
元数据增强：检验项目 / 系统分类 / 风险等级 / 适用人群。
检索链：BM25 + BGE 向量混合检索 → RRF 融合 → Cross-Encoder 精排。
MIT © 2024-2025 Mrduan-cloud