Ertas 助力医疗健康
用去标识化的临床数据微调 AI 模型,再部署到您自己的服务器上运行,推理时涉及的患者数据始终留在您的网络之内。
The Challenge
医疗机构拥有大量非结构化临床数据——医生笔记、出院摘要、影像报告和患者沟通——但从这些数据中提取可操作情报仍然极其困难。通用大语言模型会虚构医学术语,误解临床缩写,并缺乏临床医生每天依赖的对疾病通路的细微理解。
监管环境使问题更加棘手。HIPAA、HITECH 和不断出现的州级隐私法对受保护健康信息(PHI)的存储 、处理和传输施加了严格要求。将患者数据发送到第三方 API 端点对大多数合规团队来说是不可接受的,而主要 AI 提供商缺乏本地或私有云推理选项,迫使医院和医疗科技公司在创新与合规之间做出不可能的取舍。
The Solution
Ertas 让医疗团队构建归自己所有、可在自有基础设施上运行的领域模型。在 Ertas Studio 中,临床 NLP 工程师上传去标识化的 JSONL 数据集,或在 Data Craft 中构建数据集,然后用 LoRA 微调 Llama、Qwen、Gemma 或 Mistral 等开放模型。模型会从您自己的示例中学会您使用的 ICD 编码、SNOMED CT 概念和临床简写。训练在 Ertas 的云端 GPU 上进行,因此训练集需要上传到 Ertas。上传前请按贵组织的标准完成去标识化,不再需要时可在 Studio 中删除数据集。
模型通过您的评估后,您可以从 Hub 导出 GGUF 或 safetensors 格式,用 Ollama、llama.cpp 或 vLLM 在您掌控的服务器上运行,例如您的 VPC 或本地集群。推理请求和输出都留在这些服务器上,模型运行时不依赖 Ertas。访问控制、日志以及 HIPAA 体系的其余部分,仍由您自己的安全团队用现有工具负责。如果贵组织希望有人协助梳理临床用例,Ertas 企业团队提供免费的用例评估和为期三到四周的概念验证,训练好的模型归贵组织所有。
Key Features
临床微调工作流
通过 Studio 的可视化画布在临床语料上训练模型。上传医学问答对、去标识化临床笔记或诊断推理链的 JSONL 数据集,也可以从 Hugging Face 导入,然后并行运行多个 LoRA 训练任务并进行比较。
在 Data Craft 中由临床医生审核
在 Studio 的引导式数据集构建器 Data Craft 中创建和完善训练示例。临床医生添加和编辑 USER 与 ASSISTANT 轮次,为每个示例保存版本并标记审核状态,只有审核通过的示例才会进入训练。
归您所有的模型,随时导出
Hub 列出您训练过的模型。任何一个都可以下载为 GGUF 格式,供 llama.cpp、Ollama 或 LM Studio 使用,也可以下载完整的 safetensors,供 vLLM 等服务器运行时使用。模型归您所有,运行时不依赖 Ertas。
在您的网络内推理
在您自己的服务 器上运行导出的模型,部署在 VPC 或本地集群中,并置于安全团队现有的访问控制和日志之下。推理请求中的患者数据始终留在您掌控的基础设施上。
Example Workflow
某医院的临床信息团队按照自己的去标识化流程处理了 50,000 份放射报告,并将其导出为 JSONL 数据集,每条记录是检查所见与对应的影像印象。一位放射科医生在 Data Craft 中抽查样本,修改了几条印象,并批准了团队将用于训练的示例。团队把数据集上传到 Ertas Studio,针对放射印象生成,同时用 Mistral 7B 和 Qwen 2.5 7B 两个基础模型进行 LoRA 微调。团队用一组由本院放射科医生评分的预留报告比较两次训练的结果,选出表现更好的模型,再从 Hub 将其导出为 safetensors,在医院网络内的服务器上用 vLLM 部署,只对 EHR 集成层开放。放射科医生看到的是印象草稿,由他们修改并签字,每一次推理请求都在医院自己的硬件上运行。审核完成后,团队从 Studio 中删除了训练数据集。
Compliance & Security
HIPAA 的各项要求由贵组织自行落实。Ertas 改变的是数据的去向。训练在 Ertas 的云端 GPU 上进行,因此训练集需要上传到 Ertas:上传前请按 Safe Harbor 或 Expert Determination 标准完成去标识化,或尽量精简数据。导出后,模型在您掌控的基础设施上运行,推理请求中的患者数据留在那里,受您自己的安全措施保护。数据集保存在 Studio 中,以便重复训练,您可以随时删除。
Related Resources
微调
GGUF
JSONL
LoRA
推理
Privacy-Conscious AI Development: Fine-Tune in the Cloud, Run on Your Terms
Introducing Ertas Studio: A Visual Canvas for Fine-Tuning AI Models
GDPR-Compliant AI: How to Use LLMs Without Sharing User Data
Fine-Tune AI Without Code: 6 Visual Steps
How to Fine-Tune an LLM Locally: 6 Steps (2026)
Running AI Models Locally: The Complete Guide to Local LLM Inference
Data Sovereignty for AI Agencies: Why Clients Demand Local Models
Hugging Face
Ollama
llama.cpp
Ertas for Customer Support
Ertas for SaaS Product Teams
Ertas for Legal
Ertas for AI Automation Agencies
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.