买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院深圳先进技术研究院申请的专利多模态医学大模型应用及微调方法、装置及计算机设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119851956B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411837381.9，技术领域涉及：G16H50/70；该发明授权多模态医学大模型应用及微调方法、装置及计算机设备是由王书强;郭毅设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本多模态医学大模型应用及微调方法、装置及计算机设备在说明书摘要公布了：本说明书涉及自然语言处理技术领域，尤其是多模态医学大模型应用及微调方法、装置及计算机设备，所述方法包括：获取多模态特征数据；将多模态特征数据输入至预先训练好的多模态医学大模型中，得到输出的结果，其中，所述多模态医学大模型包括多模态语义对齐模型及集成增强医学大模型，所述多模态语义对齐模型由将多模态特征样本向量、表征提取样本向量及所述多模态特征样本向量对应的语义标签，训练初始多模态语义对齐模型得到。本发明集成多个源医学模型的知识和能力，减少对数据资源的依赖，提升了模型的泛化能力，增强诊断的准确性与可靠性；提取多模态特征并优化其语义对齐效果，避免信息丢失和语义偏移。

本发明授权多模态医学大模型应用及微调方法、装置及计算机设备在权利要求书中公布了：1.一种多模态医学大模型微调方法，其特征在于，其中，所述多模态医学大模型包括多模态语义对齐模型及集成增强医学大模型，所述方法包括： 将多模态特征样本向量、表征提取样本向量输入至初始多模态语义对齐模型，得到初始多模态语义对齐模型输出的预测结果，其中，所述表征提取样本向量用于提取多模态特征样本向量中的特征，其包括：根据如下公式确定表征提取样本向量： ；其中，v表示表征样本提取向量，表示多模态特征样本向量，表示特征中心向量，u表示主特征方向向量； 根据所述预测结果与所述多模态特征样本向量对应的语义标签计算多模态匹配损失函数，基于所述多模态匹配损失函数迭代更新所述初始多模态语义对齐模型中的参数，构建得到多模态语义对齐模型；其中，通过如下方式构建多模态匹配损失函数： 通过最大化多模态特征正样本向量对的相似度，及最小化多模态特征负样本向量对的相似度，确定对比损失函数； 根据多模态特征样本向量及对应的语义标签，确定余弦距离损失函数； 根据对比损失函数及余弦距离损失函数，构建多模态匹配损失函数，公式如下： 其中，表示多模态匹配损失函数，表示信息聚合的对比损失函数，表示余弦距离损失函数，表示正则化系数； 将所述多模态语义对齐模型的输出输入至预先训练好的集成增强医学大模型中，得到集成增强医学大模型输出的预测结果，其中，所述集成增强医学大模型由多个源医学模型对单模态医学样本数据预测得到的预测分布矩阵及与各源医学模型对应的真实分布矩阵训练得到，其中，所述集成增强医学大模型通过如下方式得构建得到： 将单模态医学样本数据输入至多个源医学模型中，分别得到各源医学模型输出的预测分布矩阵； 计算每一源医学模型的预测分布矩阵与各源医学模型对应的真实分布矩阵的交叉熵，并确定各预测分布矩阵的权重； 根据所述权重，对各源医学模型输出的预测分布矩阵进行加权，得到融合概率分布矩阵； 从所述多个源医学模型中，选择其中一个源医学模型作为初始医学大模型，计算所述初始医学大模型输出的预测分布矩阵、所述融合概率分布矩阵及真实分布矩阵之间的损失值； 根据所述损失值迭代训练所述初始医学大模型的参数，构建得到初始集成增强医学大模型； 对所述初始集成增强医学大模型进行微调，得到集成增强医学大模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院深圳先进技术研究院，其通讯地址为：518055 广东省深圳市南山区深圳大学城学苑大道1068号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。