—— coding: utf-8 ——

""“三个临床大模型的离线行为模拟器。 无需联网下载大模型权重，用简单的字符串和规则逻辑， 展示 BioGPT、ClinicalT5、Med-BERT 三种典型输出风格的差异。 ”"“ SAMPLE_TEXT = “患者男56岁因发热咳嗽3天入院诊断肺炎予阿莫西林治疗” class BioGPTLike: ”““模拟自回归生成：输入前缀 + 接续模板””“ def init(self): self.continuations = [ “追问病史，患者无药物过敏史。”, “查体见双肺湿啰音，胸片示斑片影。”, “嘱患者多饮水，密切观察体温变化。”, ] def generate(self, prompt): idx = len(prompt) % len(self.continuations) return prompt + self.continuations[idx] class ClinicalT5Like: ”““模拟文本转换：把键值对要点转成段落””“ def transform(self, structured): parts = [] for key in [“主诉”, “现病史”, “诊断”, “治疗”]: if key in structured: parts.append(f”{key}:{structured[key]}") return "。".join(parts) + "。" class MedBERTLike: "““模拟医学实体识别：返回实体名和类型的配对””“ def init(self): self.entity_map = { “发热”: “症状”, “咳嗽”: “症状”, “肺炎”: “诊断”, “阿莫西林”: “药物”, } def tag(self, text): return [(word, self.entity_map[word]) for word in self.entity_map if word in text] if name == ”main": biogpt = BioGPTLike() clinical_t5 = ClinicalT5Like() med_bert = MedBERTLike() print("[BioGPT] “, biogpt.generate(“患者因发热咳嗽3天”)) print(”[ClinicalT5] “, clinical_t5.transform({ “主诉”: “发热咳嗽3天”, “现病史”: “患者男56岁”, “诊断”: “肺炎”, “治疗”: “阿莫西林”, })) print(”[Med-BERT] ", med_bert.tag(SAMPLE_TEXT)) ```