1.扫码或PC端链接预约试用                  微信扫描下方二维码，或点击【试用预约】，进行试用预约。预约成功后，您将收到成功预约短信和邮件。          （预约后，将在2个工作日内给您发送预约结果）【扫码试用预约】    2.预约邮件通知2.1 成功预约邮件通知示例：  2.2 未成功预约邮件通知示例：  3.短信通知3.1预约成功短信通知示例：  3.2未预约成功短信通知示例：  继续了解医疗AI使能平台操作指引：华为云账号注册及IAM用户创建：点击查看【华为云账号注册】产品试用：点击查看【产品试用】（4月22日正式开放体验，敬请期待！）

医疗AI使能平台试用时间2026年4月22日00:00:00至2026年5月22日23:59:59 体验流程  操作指引入口一、试用预约：【试用预约指引】（若已完成“医疗AI使能平台”早鸟活动预约，请忽略本步骤）二、华为云账号注册操作指引：【华为云账号注册指引】三、产品试用操作指引：【产品试用指引】（4月22日正式开放体验，敬请期待！） 如有疑问，请联系我们：hcmedcommunity@huawei.com 

  一、注册华为云账号1.1进入华为云智慧医疗专区点击邮件中的【华为云智慧医疗专区】进入专区，在页面中点击右上角注册按钮进入注册页面   1.2注册华为云账号1.2.1填写注册信息并提交（手机号必须与试用预约手机号保持一致）                     1.2.2勾选协议，点击“开通”按钮开通华为云                          二、完成实名认证2.2进入实名认证界面点击“实名认证”按钮，进入实名认证  2.3实名认证2.3.1点击“个人认证”框，进入个人认证页面。   2.3.2点击“人脸识别认证”框，微信或华为云APP扫码认证     2.3.3在手机上根据指引完成身份认证   2.3.4完成实名认证后，点击浏览器左上角页面刷新按钮刷新，在实名认证界面则会显示“个人认证成功”。   三、创建IAM用户3.1进入“统一身份认证”页面鼠标悬停右上角账号，在弹出的菜单中选择“统一身份认证”（如果不在个人认证页面，可点击统一身份认证进入统一身份认证页面）   3.2创建IAM用户                      3.2.1点击“创建用户”按钮，创建华为云IAM账号及AK/SK。（备注：AK/SK用于电脑端试用软件登录账号及密码）  3.2.2在创建页面中，设置以下信息：用户名：XXXXXX（自定义）访问方式：勾选【编程访问】凭证类型：勾选【访问秘钥】（备注：AK/SK用于电脑端试用软件登录账号及密码）设置完成后，点击【下一步】进入用户组编辑页面         3.2.3进入用户组编辑，默认用户组设置，直接点击“创建用户”  3.2.4在弹出的操作确认框中，点击“获取验证码”，输入短信所收到的验证码，点击确定。   3.2.5完成创建IAM用户。在【下载访问秘钥】提示框中，点击【确定】下载秘钥并妥善保管。（备注：AK/SK用于电脑端试用软件登录账号及密码） 3.2.6在【账号跨境传输设置】提示框中，点击【我已知晓】即可完成IAM用户创建。   3.2.7华为账号及IAM用户创建已完成。用于电脑端试用软件登录账号及密码，请妥善保管。  

病理AI“早鸟体验有礼”预约体验医疗AI使能平台，回帖分享使用体验领取好礼！一、活动时间2026年4月22日——2026年5月22日二、早鸟活动规则及奖项说明前100名可获得华为云定制数据收纳包  ！       华为云定制数据收纳包注册并登录医疗AI使能平台并在页面上，体验上传切片进行诊断。完成后在本活动帖中回帖，分享完成在线诊断的截图+华为云账号名。前200名可获得华为云定制数据收纳包或华为云商店定制镭射包！        华为云定制数据收纳包    华为云商店定制镭射包注册并登录医疗AI使能平台并下载客户端，上传图像切片完成诊断任务。完成后在本活动帖中回帖分享完成平台诊断的截图+华为云账号名。下图为回帖实例：  进入【医疗AI使能平台】，立马开始体验!（奖品有限，先到先得） 

  医疗AI使能平台早鸟体验活动各位医生和医疗行业的相关开发者预约体验医疗AI使能平台，回帖分享使用体验领取好礼！1、早鸟预约时间：2026年4月13日——2026年4月21日点击【预约体验】，或扫描下方二维码进行使用预约。预约结果将在1个工作日内以邮件和短信形式通知你。2、早鸟体验时间：2026年4月22日——2026年5月22日根据预约时间段，登录平台体验使用！ 3、点击查看活动详情及奖品规则：【病理AI早鸟体验有礼】4、点击查看医疗AI使能平台操作指引：【医疗AI使能平台操作指引】 如有疑问，请联系我们：hcmedcommunity@huawei.com 活动注意事项：1、严禁使用多个账号重复盖楼；严禁恶意刷屏、发布与主题无关的内容，影响活动秩序；严禁使用 P 图、盗用等作弊手段。上述行为一经发现取消获奖资格；2、开奖公示：活动结束后，将于5个工作日（5月25至5月29日）后在本活动贴发布获奖名单公示，公示期为7天（5月30至6月6日）；3、奖品发放：公示期结束后，工作人员将通过论坛站内信联系获奖用户核对信息、发放奖品，虚拟奖品直接发放至用户账号，实物奖品通过快递邮寄。获奖名单公示期后预计5个工作日（6月7日至6月）内寄出；4、活动期间，如遇不可抗力因素（如服务器故障、网络问题等），活动主办方有权调整活动时间或内容；5、活动奖励不可兑换现金，奖品颜色、款式等以实物为准；6、活动最终解释权归论坛运营方所有。

 期待聆听您的真实体验！欢迎直接回复本帖您的每一条心声，都将助力产品变得更好 激励规则：1.幸运锦鲤奖20名：使用医疗AI使能平台产品功能后进行反馈，从有效反馈用户中随机抽取20名，奖励数据收纳包或镭射包一份。2.优质反馈奖80名：使用医疗AI使能平台产品功能后进行反馈，评选80名对产品提出优质建议的用户，奖励防晒服或保温杯一份。PS：以上奖项不叠加，有效建议示例请查看底部建议示例 活动时间：参与时间：4月22日 - 5月22日奖项公示：5月29日奖品发放：公示后一周内PS：请获奖用户及时查看论坛私信回复有效邮寄地址，过期无法补发，请及时查看论坛私信。 有效建议示例： 注意事项：1.严禁使用多个账号重复盖楼；严禁恶意刷屏、发布与主题无关的内容，影响活动秩序；严禁使用 P 图、盗用等作弊手段。上述行为一经发现取消获奖资格；2.建议越详尽越好，详细说明在什么场景？进行了什么操作？产生了什么问题？可以采用图文结合来描述现在存在的问题和建议方案。 3.您的建议将会直接公开，请勿在截图等信息中透露敏感信息或个人信息。 4.活动期间，如遇不可抗力因素（如服务器故障、网络问题等），活动主办方有权调整活动时间或内容；5.活动奖励不可兑换现金，奖品颜色、款式等以实物为准；6.活动最终解释权归论坛运营方所有。 期待您的反馈

一、华为云账号注册操作指引【华为云账号注册操作指引】二、软件使用法律协议（细化中，敬请期待）三、开源license声明见附件《OPEN SOURCE SOFTWARE NOTICE》 相关附件请您注册登录后下载

瑞金医院携手华为云构建智慧病理服务专区。专区服务于瑞金数智病理医联体、RuiPath多中心计划医院和基层医院，通过智慧病理端云协同解决方案及使能服务，赋能病理医生工作提质增效、人人都可高效开发病理模型。本期体验内容为“病理AI辅助诊断服务”，欢迎各位专家老师深度体验，反馈意见，赢取华为精美礼品。一、活动时间2026年2月1日-2月28日二、活动对象瑞金医院医联体及多中心医院的医生三、参与流程1、【产品体验】点击进入病理AI辅助诊断平台，开启深度体验。2、【反馈建议】点击进入官网云声·建议平台，提交产品优化建议。标题以【智慧病理体验官】为开头，填写时关联产品/功能 选择“行业AI梦工厂” 。3、【评论本贴】将体验感受发布至本贴下方评论区。  四、活动激励完成以上3步，将参与评奖，奖项设置如下：序号奖项获奖要求获奖名额激励礼品礼品参考1优秀体验官论坛跟帖体验分享>=1云声反馈优化改进建议>=124价值50元礼包1份定制U型枕+本子礼包2重要建议奖论坛跟帖体验分享>=1云声反馈优化改进建议且被产品研发评选为高价值需求>=15价值100元礼包1份定制开发者蓝色卫衣3卓越贡献奖论坛跟帖体验分享>=1云声反馈优化改进建议且被产品研发评选为高价值需求>=23价值200元礼包1份定制开发者蓝色卫衣、开发者帆布袋、云宝盲盒*2说明：1、数统计截止时间为2026年2月28日24点；同样数量的建议被采纳，以提交先后顺序为准，先提交的可获得。2、同一用户仅限获评一个奖项；3、 如礼品库存不足将替换成等价值礼品；五、其他说明活动时间：2026年2月1日-2月28日联合评审：2026年3月1日-3月5日奖项公示：2026年3月6日-3月10日奖品发放：获奖名单公布后预计5个工作日内寄出 【活动结果公示】

AI 正在重构医疗服务生态！从基层病理诊断到儿科疑难病会诊，从创新订阅模式到国际技术突破，过去一周的医疗科技圈亮点纷呈，精准医疗的普惠时代加速到来～   国内重磅：AI 医疗落地进入 “深水区”1. 华为云 + 瑞金医院：病理 AI 一体机让基层也有 “顶级诊断力”发布时间：2 月 1 日核心突破：联合推出 RuiPath 智慧病理一体机（FusionCube A1000/E200），搭载覆盖 90% 高发癌种的病理大模型，单切片诊断仅需数秒，通过云边端协同技术直接下沉至社区医院和县级医院。同时华为云上线智慧医疗专区，计划上半年打造 30 个专业模型、10 个高质量数据集，还与爱康集团推出 “健康管理智能体”，其健康大模型登顶 MedBench 榜单。 2. 国内首个 AI 儿科医生正式 “上岗”发布时间：2 月核心优势：由北京儿童医院研发，基于 “福棠・百川” 儿科大模型，整合 300 余位儿科专家经验与数十年病历数据，采用 “AI + 多学科专家” 双医会诊模式，诊疗方案与专家吻合率达 95%。覆盖常见病、疑难病及罕见病，基层版可辅助社区医生问诊、识别重症并提示转诊，专家版则参与多学科会诊，还计划推出家庭版（定制成动物形态）。 3. 医真云：AI 医疗 “订阅制” 来了！按需付费超灵活发布时间：2 月 5 日模式创新：全球首创 “按需按次按结果付费” AI 订阅服务，支持两种计算模式 ——✅ 即时计算：常规 15 分钟、急诊 8 分钟出结果（付费）✅ 免费延时计算：常规 48 小时、体检 7 天出结果首期覆盖 80% 疾病谱，聚合 NMPA 二 / 三类认证 AI 工具，新用户享 30 天全量免费即时计算，大幅降低基层医院 AI 部署门槛。 4. DeepSeek 大模型：20 余省份近百家医院集体接入发布时间：2 月落地规模：上海四院、云南省肿瘤医院、北大医院、广东省妇幼保健院等 100 家医院已启用，在内科、肿瘤科、儿科等多科室开展临床辅助诊断与科研工作，加速 AI 大模型的医院场景渗透。 国际前沿：技术突破刷新医疗想象1. 谷歌 DeepMind：Gemini 2.0 Pro 超越人类专家发布时间：2 月 6 日里程碑时刻：MMLU 基准测试准确率达 95.1%，首次超越人类专家平均水平！支持文本、代码、图像、音频多模态推理，能深度理解医学链式逻辑，可快速绘制专业医学机制图、解析复杂病历，为医疗复杂决策提供强力支撑。2. 瑞士 mRNA 癌症疫苗：晚期患者肿瘤缩小超一年发布时间：2 月 6 日（《自然》期刊）临床成果：通过脂质纳米颗粒递送编码多肿瘤新抗原的 mRNA，黑色素瘤 I 期临床中，50% 晚期患者肿瘤显著缩小或稳定超 1 年，成功诱导强烈的特异性 T 细胞反应，为癌症免疫治疗开辟新路径。 3. 美敦力 AI 胰岛素泵：1 型糖尿病血糖达标率 80%发布时间：2 月 6 日（FDA 批准）产品亮点：尼尼猫 800G 混合闭环系统，集成连续血糖监测功能，AI 每 5 分钟自动调节胰岛素输注剂量，无需患者手动调整，临床数据显示可将血糖达标时间提升至 80%，大幅减轻患者管理负担。 📈 四大核心趋势，看懂医疗 AI 未来 1.              普惠化下沉：云边端协同 + 轻量化设备，让基层医院低成本获取顶级 AI 诊断能力；2.              商业化创新：按次付费、免费闲时算力等模式，打破 AI 医疗 “高门槛” 壁垒；3.              场景化深化：儿科、病理、慢病管理等细分领域成为 AI 落地重点，多学科协同成主流；4.              国际化共振：多模态大模型、mRNA 技术、AI 闭环治疗系统持续突破，推动全球精准医疗升级。 以上资讯由大模型整理生成，如涉版权问题，侵删。 【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com 

一、概述1. 产品介绍最近开发者圈爆火的OpenClaw，是一个运行在你个人电脑或服务器上的AI助手。它通过你常用的聊天软件（如Telegram、WhatsApp等）和你对话，并可以直接操控你本地的文件、软件甚至执行命令，就像一个住在你电脑里的“数字管家”。现在，重磅福利来袭！华为开发者空间已正式集成OpenClaw（原 Clawdbot/Moltbot）。这款超火的开源自主 AI 助手，无需复杂配置，在云开发桌面就能一键部署使用，让云端开发效率直接拉满💥华为开发者空间，是为全球开发者打造的专属开发者空间，致力于为每个开发者提供一个云开发桌面、一套开发工具和云上存储空间，汇聚昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等各项根技术的开发工具资源，并提供配套案例指导开发者从开发编码到应用调测，基于华为根生态高效便捷的知识学习、技术体验、应用创新。2. 案例流程创建云开发环境并领取模型tokens;配置并运行OpenClaw;3. 资源总览资源名称规格单价（元）华为开发者空间 - 云开发环境（开发桌面）鲲鹏通用计算增强型 kc2 | 4vCPUs | 8G | Ubuntu0.00DeepSeek-R1/V3.2千万Tokens代金券DeepSeekV3.21.00ModelArts Studio大模型（DS/K2/Q3等）通用代金券DeepSeekV3.20.00二、环境资源准备2.1 创建云开发环境（开发桌面）登录华为开发者空间，点击菜单开发平台 > 云开发环境 > 开发桌面，创建云开发环境 - 开发桌面。创建完成后，操作开发桌面开机，然后打开远程桌面。2.2 领取华为云MaaS平台大模型Tokens福利（任选其一）方式一： 登录华为开发者空间，参考案例《华为开发者空间 - ModelArts Studio大模型通用代金券领取使用指导》中的“二、 开通MaaS平台大模型”章节内容领取代金券，获取到模型的API地址、模型名称和API Key。方式二： 登录华为开发者空间，参考案例《华为云MaaS平台大模型Tokens领取使用指导》中的“二、 领取MaaS平台大模型Tokens”章节内容，领取MaaS平台DeepSeek V3系列大模型Tokens代金券，购买ModelArts Studio DeepSeek Tokens套餐包，开通模型服务，最后获取到模型的API地址、模型名称和API Key。注意：记录API Key、API地址以及模型名称留作后面步骤使用。三、运行OpenClaw3.1 免安装快速启动OpenClaw进入开发桌面，打开桌面上的OpenClaw（Moltbot）启动器，将提示输入apiKey：参数说明：apikey：替换成“2.2 领取华为云MaaS平台大模型Tokens福利”章节中获取的API Key。即可体验OpenClaw能力：注意：在MaaS平台中的DeepSeekV3.2模型需保持开通状态。 现在进入华为开发者空间，在云开发环境（开发桌面） 就能快速上手 OpenClaw。让这款 AI 助手成为你的云端专属开发搭档，把重复工作交给 AI，专注核心开发创作！👉体验路径：登录华为开发者空间→开发平台→云开发环境→开发桌面，即可开始体验～欢迎大家在评论区交流OpenClaw使用技巧、开发场景，一起解锁云端AI开发新玩法！

恭喜以下5名用户获奖（公示期为4月15日-4月20日）：序号用户论坛昵称奖项奖品数量1周周的奇妙编程卓越贡献奖开发者蓝色卫衣、定制帆布袋、云宝盲盒*3、U型枕+笔记本礼包1套2给无眠点压力卓越贡献奖开发者蓝色卫衣、定制帆布袋、云宝盲盒*3、U型枕+笔记本礼包1套3yd_250099568重要建议奖开发者蓝色卫衣1件4zhangxupeng优秀体验官U型枕+笔记本礼包1套5banjin优秀体验官U型枕+笔记本礼包1套请于4月20日前私信AI梦工厂小助手版主，发送收件人姓名+手机号+地址，逾期未私信将视为放弃领取，请及时留意站内通知（私信）。私信方法：Step1：点击“AI梦工厂小助手”：Step2：点击“私信”按钮： 活动信息华为云健康管理助手启动公测！作为大家随身的 “健康小卫士”，华为云健康管理助手带着 “专业、便捷、贴心” 的初心，用健康咨询、智能问诊、报告解读、拍皮肤、拍药盒这五大核心技能，陪大家守护日常健康！ 一、活动时间：2026.2.1-2026.3.31二、参加活动：1、 直接扫下方二维码，登录华为云健康管理助手，进行体验。2、 将自己的体验感受发送至活动指定评论区，跟帖评论或扫码入群交流：3、在官网云声·建议平台，关联品与功能处选择“平台功能”下面的“行业AI梦工厂”，反馈产品优化建议。包括：交互体验、感官体验、bug类、需求类、能力创新类等，填写时关联产品/功能 选择“行业AI梦工厂” 并标明以【健康助手体验官】为开头。示例：【健康助手体验官】整体体验不错，建议考虑XXX场景，实现XXX能力等)。 三、活动激励：完整完成了以上3步体验任务，将参与评奖，奖项设置如下：激励规则序号奖项获奖要求获奖名额激励礼品1优秀体验官云声反馈优化改进建议>=1，论坛发布体验分享>=110每人价值50元礼包1份2重要建议奖云声反馈优化改进建议且被产品研发评选为高价值需求>=1，论坛发布体验分享>=15每人价值100元礼包1份3卓越贡献奖云声反馈优化改进建议且被产品研发评选为高价值需求>=2，论坛发布体验分享>=13每人价值300元礼包1份 说明：1、数统计截止时间为2026年3月31日24点；同样数量的建议被采纳，以提交先后顺序为准，先提交的可获得。2、同一用户仅限获评一个奖项；3、 如礼品库存不足将替换成等价值礼品；四、活动流程：活动时间：2026年2月1日-3月31日联合评审：2026年4月2日-4月15日奖项公示：2026年4月15日-4月20日奖品发放：获奖名单公布后预计5个工作日内寄出 

亲爱的华为云健康管理助手用户：​作为大家随身的 “健康小卫士”，华为云健康管理助手带着 “专业、便捷、贴心” 的初心，用健康咨询、智能问诊、报告解读、拍皮肤、拍药盒这五大核心技能，陪大家守护日常健康！为了让这个 “健康小卫士” 更懂你的需求、更合你的心意，我们开启「体验意见大征集」！不管是想夸夸哪个让你惊艳的功能，还是想吐槽使用中遇到的小bug；不管是想优化现有功能的小细节，还是期待解锁新的健康服务，都快大胆告诉我们 —— 你的每一条声音，都是我们升级的超动力！​  🎁 反馈有礼详细信息，请点击【产品体验官】华为云健康管理助手启动公测 了解详情！​ 📮 反馈方式本帖下方直接留言，大胆说说你的体验和建议吧！​ 每一条反馈我们都会认真读、仔细记，联合专家一起研讨优化！

RuiPath 全球多中心计划合作申请流程为确保合作顺利推进，请各分中心合作伙伴参照以下流程路径进行申请：1.    签署合作协议（双方同步进行） 文件： 见附件：《上海瑞金医院RuiPath全球多中心计划合作协议.docx》流程： 双方合作伙伴同步启动各自单位内部的 OA（办公自动化）用章申请流程，共同完成合作协议的盖章与签署。2.    完成分中心伦理审批 文件：附件：《Ruipath研究伦理审批件》、《附件3涉及人体科研项目立项申请表.docx》、《附件5回顾性研究方案.docx》、《附件7豁免知情同意申请.doc》流程：贵方（作为分中心）需在贵单位机构伦理委员会（IRB）提交伦理审查申请。可参考模板，包括：附件3、附件5、附件7。可《Ruipath研究伦理审批件.pdf》作为支持性文件一同提交，以加快审批进程。3.    准备并提交补充数据 流程：请参照《多中心补充相关要求》来准备所需数据。数据要求： 您可以选择一个或多个病种，确保每个病种提供不少于 200 张WSI（全玻片数字图像）。请使用《多中心补充数据提交样例.xlsx》模板来整理和提交数据。 联系咨询：在执行上述流程中如遇任何问题， 联系人： 阮医生 邮箱：rm12206@rjh.com.cn 相关附件请您注册登录后下载

传统病理是癌症诊断的“金标准”：医生将组织切成薄片、染色（如H&E），在显微镜下寻找异常细胞。数字病理则是通过扫描仪将切片转为像素高达百亿级的超大图像（WSI）。AI诊断原理：由于WSI体积巨大，无法直接整体输入。AI通过“化整为零”，将大图切成成千上万个小方块（Patch），利用深度神经网络提取每个小方块的特征。AI通过学习海量切片，建立从微观细胞异质性到宏观组织形态的映射，   在医疗场景中，医生很难对每张切片中的数万个Patch逐一标注，通常只有一张片子的最终诊断结果（如：阳性/阴性）。这便是弱监督学习。 训练流程：1.   切片与特征提取：将WSI切块并使用预训练模型提取特征向量（Token）。2.   打成“包”：一张切片及其所有Patch特征集合看作一个“包”（Bag），Patch即为“实例”（Instance）。3.   标签传递：如果切片是阳性，意味着包内至少有一个Patch是阳性的；如果切片是阴性，则包内所有Patch均为阴性。模型通过这种逻辑，在不断迭代中自动识别出最具判别性的Patch。   典型的MIL模型架构分为三层：1.   编码层（Encoder）：通常是ResNet或Swin-Transformer，负责把图像块变成高维特征Token。2.   聚合层（Aggregator）：这是核心，最主流的是Attention-MIL。它给每个Patch分配一个“注意力权重”，权重越高，代表该Patch对最终诊断的影响越大（例如癌细胞聚集区）。3.   决策层（Predictor）：将聚合后的全局特征通过全连接层，输出最终的分类概率。这种架构实现了从局部特征到全局语义的跨尺度整合。   ·   实例级别（Instance-level）：先给每个Patch打分，再通过取最高分或平均分来决定切片结果。缺点是忽略了Patch间的关联，且若医生给的切片标签有误，对单个Patch的误导极大。·   包级别（Bag-level）：目前的主流（如MIL-Transformer）。它不急于给单个Patch下结论，而是先通过注意力机制把所有Patch特征融合成一根“全局特征向量”，再对整张切片做判断。 总结：实例级像“盲人摸象”，容易以偏概全；包级别则像“观其大略”，更擅长通过组织微环境的整体分布做出精准决策。   【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com

一、 会议及演讲概况演讲嘉宾：笪倩 | 瑞金医院演讲主题：《大模型时代下数字智慧病理的探索》二、 主要观点：观点1：数字化是智慧化的基础中国有5000医院有病理科，仅不足5%的数字切片并用于数字化诊断，如果连基础都没有怎么做数字建设呢？病理数字化切片格式不统一，各厂商都有自己的格式。影像学二十年前都有很好的发展，可以统一。对于数字病理而言，就我们科有五到六个厂家的扫描仪，输出十几种不同的格式。就如我刚到上海听不懂上海话，他们之间也存在这个问题，数据孤岛问题非常严重。瑞金医院在2023年的时候，将信息化系统进行替换，目前科内18台扫描仪，一天扫的切片4000片左右，2023年之后才开始积累切片，对应的诊断也是在不停地更新，昨天为止，大概188万张的数字切片作为数字图书馆供医疗、教学、科研的使用。病理数字化需要高效的数据基础设施支撑，传统病理数据阅片过程中经常出现马赛克和卡顿的情况，医生非常反感这样的行为；第二个问题是成本非常高，一张切片1到2G，一个患者特别是前列腺癌的患者，所有的组织全部取，高达70个切片，一个患者100G的数据。到昨天为止，我们样本量、病例量可以达到15万，瑞金医院每年都是PB级在增长。观点2：数据质量决定智慧化高度算法积累过程中标注是一个非常大的挑战，对于专业知识的依赖非常高。PPT上两张图片是2021年到2022年摸索传统小模型的时候去标注的，当时有四位医生为了标注这个应戒细胞癌症一个癌种，以及肠道的高级别流片和低级别流片，两类病变的数据利用业余的时间花大半年标注这个数据，工作非常耗时，而且标注过程中有一些区域人也不能够给出一定的明确诊断，所以整个标注的挑战对于我们来说非常大。总结：数字化是智慧化的基础，数据质量决定智慧化高度1、建立AI-ready的数字基础设施，完善数字化改造（1）解决病理数据调阅慢问题，优化存储并发性能，实现一秒千片，提升10倍的访问效率提升。（2）解决数字化建设成本高的问题，场景化优化病理压缩算法，节约30%以上的成本。（3）病理扫描仪输出病理图片格式多，格式间访问/处理不互通，治理难等问题，统一病理数据格式（CSP格式），提供更换的数据治理体验。2、数据质量决定智慧化高度（1）高质量的病理数据是Ruipath测评活动7项领先的基础，RuiPath在业界12个主流公开数据集的14个辅助诊断任务测试中，有7个达到业界领先水平（行业SOTA）（2）大模型技术通过提升病理诊断效率与精准度，成为推动数字智慧病理发展的关键引擎，但需结合行业数据特性、软硬件协同优化及人机协作模式探索实现规模化落地。三、 其他专家观点：专家1：数据规模与技术迭代是Google与哈佛合作的核心优势，瑞金医院需关注数据质量与本地化应用。‌技术架构演进‌：从早期ViT+小模型（如CLAM方案）发展到端到端、MoE模型，技术迭代依赖长期数据积累。端到端和MoE模型是未来方向，但需平衡数据质量与伦理风险。数据驱动治疗‌：Google与哈佛医学院合作积累了海量医疗数据，规模远超瑞金医院，数据量是核心优势。哈佛医学院提供30万美元的全球治疗方案，本质是“用数据验证方案”，通过患者数据优化模型。Google与哈佛共享数据，Google整合多中心医院数据，形成数据壁垒。专家2：病理数字化性能和成本的问题是非常显著的问题，针对病理数据科研探索场景化的压缩，通过压缩技术节约存储空间，降低快速增长的数据存储成本问题；第二是探索新的保存介质，病理数据通常需要保存15-20年，现有的HDD和SSD无法满足要求，发展新形态的介质，通过介质的创新，来解决15-30年保存的问题。专家3：RuiPath做病理诊断，这个领域非常Critic，我们的经验，它实际上会有误差的，它说的东西有可能是夸大其词，大模型总有幻觉问题。你们遇到这种问题的话，当然是听医生的。四、 瑞金病理科 笪倩 演讲原汁原味纪要主持人-王纪奎：前面各位不管是黄Fellow还是刘院长，讲的是从提供者的角度，从外面看数据和价值。真正进入到里头去看价值或者行业数据的价值，怎么实现呢？我们请医院的笪主任分享一下医院的智慧病理的探索。有请！笪倩：谢谢各位。首先非常感谢组委会的组织，因为今天所有学习的内容对于我来说都是一个非常新鲜的知识输入。我的工作是在一线工作的一名医生，所以能够在这么美丽的三丫坡有这么好的知识的输入，我觉得是非常大的享受。我给各位汇报的是在我们医疗的实际应用场景中，在数字化以及智慧化转型的过程中，我们的一些探索。  首先想请教一下在座各位：有谁不知道病理是干什么的吗？如果不知道的可以举个手？看来还是有40%的老师不知道病理是干什么的，做一个非常简单的比喻，如果有一个患者他的胃不是很舒服，他需要去消化科进行检查，首先会给他做一个内镜检查，现在内镜基本会取一块组织，送到病理科，在显微镜下进行诊断，告诉临床医生这个到底是炎症还是肿瘤性的病变，如果是炎症将指导患者在消化科进行治疗，如果是肿瘤那后期他就要进行外科手术或者是肿瘤科的治疗和化疗。所以病理就是疾病诊断最后的一个金标准。在没有高水平的病理诊断，其实并不可能带来整个精准的临床诊疗。在这张PPT当中就提示了如果有个患者进入临床以后，首先医生会进行主观的问诊，医生会开出一些检查，比如检验、超声、影像和核医学等，这些检查就类似于GPS系统，去给我们定位和导航到哪里出现了问题。而至于你这里到底出现了什么样的问题，就是我们病理需要做的事情。也就是临床会告诉我这个患者疑似什么疾病，而病理要告诉这个患者一定是得的什么疾病。其实我是2011年进入病理科开始工作，在那个时候还是医生在显微镜下进行观察，去观察它的组织形态以及细胞的结构，主要是通过这些去下疾病的诊断。所以大家可以看到左侧两条红蓝相间的图非常好看，我们每天面对的是这样的图像，现在随着奥巴马提出了精准诊疗以后，我们的免疫组学、分子病理就飞速发展，他们就是为了告诉患者未来这个疾病有可能预后怎么样，而且现在大家都知道PD-L1、CAR-T这些治疗，而这些治疗都得依据病理诊断出具的报告来进行后续是否有可能得的治疗。所以在右侧整个病理诊断报告，现在不仅要进行组织和细胞的诊断，还需要完整地告诉临床这个患者临床所需要的免疫组化和分子的诊断结果是什么。最后才整合成一份病理报告，来出具，来确诊什么样的疾病，临床进行治疗。而病理科存在着很大的困境，从中国整个的层面上来看，2024年中国癌症报告就提到了我国是一个癌症大国，2022年的时候，中国新发的癌症数其实是全球首位的。可以看到这些数字都是触目惊心的，而带来了对于患者来说，我们怎么去应对，一定是早发现、早诊断和早治疗。而对于这些关键来说，我们应该去扩大我们整个病理诊断的可能性。我们的病理诊断一定要是准确的，而我们基层的病理诊断水平一定要提高。这些是解决这些问题的关键。  但是我们的病理行业存在着很大的痛点。第一，病理科医生缺口非常大。目前在国家注册的大概是2万人，按照国家床位配比，其实缺口是7-14万。我们有跟华为并肩作战的驻场工程师在我们科室，我们知道华为的工作口号是996，我们科王主任定的工作口号是5+2、白+黑。我们经常加班的时候看到华为同事们在我们隔壁办公室一起加班，我们是并肩作战的战友。其实这就是现实的情况，真的因为医生的缺口非常大，所以我们工作压力也非常大。第二，病理医生的分布非常不均匀，病理数少，80%在大城市，大城市又集中在三甲医院，导致有些二甲医院或者一些医院连病理科的医生都没有，就是把病理诊断送到第三方中间去。病理医生分布不均匀，导致诊断不一定准确，怎么认为临床的质量方向是正确的呢？第三，这是多年前肿瘤医院做过的调查，他们的会诊患者特别多，中小医院的出诊符合率比较低的，我们也有来自全国各地的会展，良恶性的问题都弄错了，每个病理报告背后都不是患者，而是患者带来的家庭问题。所以当处在符合率低的时候带来的方向就会严重偏差。20202年数字化病理飞速发展，2023年联合合作伙伴，在中华医学会指导下，包括华为也发布智慧化病理的白皮书，我们做了调研，无论是数字化还是智慧化的手段，都会加速解决痛点，解决痛点的时候都有探讨这个方向上存在的挑战。医疗方向上同样存在，这里展现的是冰山一角。一是数据的质量问题。刚才黄总跟我聊，医疗的数据相对而言比较干净的，但是就算是我们病理科，不同医院做出来的切片质量都存在着巨大的差异，染色水平因为机器的不同、机器年限的不同也会导致数据存在的差异。扫描仪的治疗，我们发现不同扫描仪厂商出来的图片质量也是参差不齐。中国有5000医院有病理科，仅不足5%的数字切片并用于数字化诊断，如果连基础都没有怎么做数字建设呢？病理数字化切片格式不统一，各厂商都有自己的格式。影像学二十年前都有很好的发展，可以统一。对于数字病理而言，就我们科有五到六个厂家的扫描仪，输出十几种不同的格式。就如我刚到上海听不懂上海话，他们之间也存在这个问题，数据孤岛问题非常严重。二是数据算法的问题。算法积累过程中标注是一个非常大的挑战，对于专业知识的依赖非常高。PPT上两张图片是2021年到2022年摸索传统小模型的时候去标注的，当时有四位医生为了标注这个应戒细胞癌症一个癌种，以及肠道的高级别流片和低级别流片，两类病变的数据利用业余的时间花大半年标注这个数据，工作非常耗时，而且标注过程中有一些区域人也不能够给出一定的明确诊断，所以整个标注的挑战对于我们来说非常大。小模型的泛化性非常差，花大半年时间标注，只在胃细胞癌症一个病症，无法泛化到其他病症。当时科的老师给我提出这样一个异议，为什么做这个病种，我们科想AI发展怎么办？我们确实没有能力做这样模型的泛化。  三是算力堆积问题非常严重，一张数字切片1到2GB，导致算力存在很大的堆积，对医院而言、高校而言算力是非常大的瓶颈，很多医院很难进行整个模型训练的普及。瑞金医院从2020年开始，启动了数智化的建设，在业内得到了合作伙伴的支持。2023年5月28日时发布了数字化的智慧病理科，并且发布了数字化智慧病理科建设的白皮书，AI的小模型已经进入到正常的工作流了。2024年年底我们跟华为一起去合作研发RuiPath病理大模型，今年2月18号正式发布，今年6月30号卫健委支持下作为首个医院开源的医疗大模型共享给全国医院，希望加速AI普惠。 我们探索主要分为两个方向：一是数字化的成果。在2023年的时候，将信息化系统进行替换，目前科内18台扫描仪，一天扫的切片4000片左右，2023年之后才开始积累切片，对应的诊断也是在不停地更新，我们想积累优质的新鲜的数据作为数据库进行积累，到昨天为止，大概188万张的数字切片作为数字图书馆供医疗、教学、科研的使用。切片对瑞金医院来说有什么优势？一是得益于临床科室非常强大，服务的患者范围非常广，我们也统计过我们整个癌症好发比例和中国癌症的好发比例是一致的状态；二是病种的覆盖率非常高。无论是常见的疾病还是罕见的疾病，有非常多的优势数据；三是数据规模非常大，单两个院区而言，可以产生六到七千的新鲜数据进行模型训练。在存储过程中，跟华为一直在探索，存在很大的痛点：一是调阅非常慢，传统的存储方案中，阅片过程中经常出现马赛克和卡顿的情况，医生非常反感这样的行为，显微镜下浏览这么顺畅，为什么要在电脑上看一个非常卡的切片，严重影响工作速度。这方面华为提出了存储的创新，现在院长要求的是在瑞金医院的任何一个地方，无论是实验室开展科室，需要所有医生阅览同样一张切片的时候必须无卡顿，现在医院可以做到这样。第二个问题是成本非常高，一张切片1到2G，一个患者特别是前列腺癌的患者，所有的组织全部取，高达70个切片，一个患者100G的数据。到昨天为止，我们样本量、病例量可以达到15万，可以想象我们每年产生多少数据。数据成本太高，瑞金医院每年都是PB级在增长。很多病理科主任跟我们交流的时候说数字化病理科想建，但是建不起，每年都有这么多存储的成本。到这个礼拜对于数字病理发生一个比较大的事情是国家医保局提出了未来数字病理可以收费的现状，之前医生们和院领导们需要考虑的是商业没有闭环的时候费用从哪里来。瑞金医院一直自己在投入，无论是扫描仪还是存储都是医院投入我们科进行的建设。如果商业闭环没有实现的时候压力确实非常大，这方面华为提出了二次污损的算法。热数据存两周需要使用的数据，温数据是一到三个月有可能调阅的数据，冷数据是三个月之外，有可能调阅的频率比较低，华为的解决方案可以降低30%-45%的存储算法，算法创新帮我们解决了预算很大的问题。第三个问题是格式不统一，不同的格式各说各的语言，格式互相不通，我们也提出了CSP统一的格式。为什么要做这个事情，实验过程中之前从A扫描仪扫描出来的数据建立胃肠道活检算法，做出来准确率非常高，突然发现换了一台扫描仪，把算法迁移过去正确率可以下降30-50%不等，这个算法还怎么做下去？最根本的问题就是CSP格式统一刷。2023年发布这个会的时候，我们就提出了应该去积极推动一个统一的格式，中华病理学会把这个格式命名为CSP格式，无论从扫描仪的直接输出到阅片过程中的浏览到AI真实的使用，贯穿了所有的环节。也就是现在进行智慧化病理科建设的时候如果从根本上建立一个CSP统一格式的数字化智慧病理科，从讲方言到大家都讲普通话，很好地帮我们打好了智慧化的基础。这份工作现在也在中华医学会积极推进过程中。国家医保局提出了项目立项指南，提到了三点：第一，政府指挥棒，希望未来将这些数字化的图像上传到云平台，帮我们建立好数据的基础。第二，AI现在可以名正言顺收费了。在数字化建设过程中商业闭环非常有望打通的。第三，以前的病理医生在诊断的过程中很多收费来源于检验试剂的费用，并没有将医生诊断的价值得到体现，这个报告当中非常彰显了医生的诊断、知识需要进行收费的。医保局的立项指南给病理数字化转型提供了非常大的机遇，最近一直被我们热议。第二个方向是智慧化的成果。在小模型时代做了一些工作，举一个例子，大家交流的时候一直会问一个问题，AI到底有没有帮你减少人力、加快工作效率？举一个简单的例子，2011年进入到病理科工作的时候，那时候还没有无纸化，所有都是手写的，资料从电脑上进行审查，还是普通患者胃肠道活检的病例来说，从拿到切片到查资料到写下诊断到临床审核到患者的手上，基本上5-7个工作日是比较正常的现象。2021年探索建传统的小模型之后，首先解决的就是胃肠道活检标本的问题，现在可以猜一下一份胃肠道活检的标本从进到病理科到出具报告需要多长时间？制作切片的时间差不多需要24小时，有了AI辅助、有了数字化支持之后基本上可以控制在36个小时把报告发布出去，这其实是一个非常大的进步了。小模型的痛点是很难泛化，2023年、2024年发布了多篇基础模型的文章，当时也想尝试一下，去年年底的时候我们跟华为基于整个的百万张的数据以及非常好的数据基础这些格式化的报告，去建立了整个数据的基础。存力上得益于前期的算法，帮我们节省了空间也节约了训练的周期。算力上，在我们科里真实使用过程中无论是训练还是推理都用的国产的算力卡，得益于ModelEngine的平台，现在我们数据处理的周期也是大大缩短。PanVL-T1一开始建立的时候，有基础模型、有视觉语言跨表征的对齐以及深度思考的机制。在整个模型过程中可以做到：一是看图识癌；二是进行镜下所见的阐述；三是我们可以进行诊断的对话。现在在下游任务当中可以覆盖上百个下游任务。在广度和深度上都做了尝试，得益于临床这样一个数据，非常匹配中国的好发癌种，现在覆盖面的确比较广的，特别是罕见的肿瘤，罕见的肿瘤在公开数据集上几乎没有，我们用自己的数据建了一个数据集，未来会开源，这样的数据对比了顶尖的模型，的确能力非常强。现在因为基因的飞速发展，联合华大进行多模态的数据融合，希望做到像乳腺癌、淋巴瘤上多模态融合。在速度方面，我们诊断效率比较高的。按照以前我们在显微镜下进行诊断，一个乳腺癌的患者有15张切片，在显微镜下看一张切片至少3分钟，也就是45分钟，临床上一份报告不能一个医生审核，初检医生45分钟，复核医生45分钟，总共要花90分钟。而对于现在来说初检医生非常顺畅，因为RuiPath提取好结果，只需要确认一下，对他来说工作效率上有明显的提升。深度方面，我们也有跟国外的模型进行对比，在病理的数据集上进行对比，结果不错的。今年六月份的时候RuiPath在科内完整的输出，并且发表了一份报告，现在的路径是切片扫描之后由华为存储，AI计算后可以在RuiPath查看RuiPath计算结果，医生就可以看这个结果并且提取到病理的系统当中。现在分为两个环节，一个是初检医生，非常方便可以把RuiPath的结果一键提取过来，对于他的工作来说非常方便。现在在工作上还有做一件非常重要的事情，就是在进行数据飞轮促使每周我们的模型都在进行一个迭代。今天是一个闭门研讨，不瞒各位老师，在BenchMark集和RuiPath公开数据集中，我们的模型与顶尖模型进行了全面对比。在发表文章的过程中，我们进行了详细的性能评估，可以看到我们的模型在各个榜单上的表现都非常出色。RuiPath模型在某些方面甚至达到了顶尖水平，尽管这些模型在训练时并未使用这些数据。同样，没有任何一个模型能够成为绝对的“武林盟主”。为什么要做数据飞轮这件事？就如我们发文章、打榜的过程中，做一个不是很恰当的比喻，学生在考试的过程中划了一个考试范围，就是在考试当中考。大家现在的分数都非常高，有时候跟顶尖模型的差都在千分之一的水平。但是到我们实际的应用场景当中，你会发现不同的任务有些好一点的大概会出现5%的掉点，有些情况下会出现10%到20%不同程度的掉点。这是非常现实的问题，给你划了考点，当然会，但实际临床过程中会碰到切片员切的不好，切片有褶皱了，对于医生来说不是个问题，但是对于算法就是一个问题。而且很多是单选题，但实际就是多选题。在不同的AI使用过程当中就会发现不同的掉点，现在在我们科内审核医生需要做的事情就是对于AI计算过的需要针对每个切片进行数据的反馈。有人问RuiPath有没有对于你们效率提高？对于初检医生肯定有的，对于复核医生来说还在迭代、训练它。现在还在比较辛苦的数据反馈过程中。现在还有一个RuiPath的AI运营大屏去实时监控每天的工作。一是输出今天科内共产生了多少张切片，二是共扫描输出了多少张切片，三是RuiPath计算了多少张切片，四是有多少医生使用了这个切片并且反馈了切片。每天都有不同专科、不同任务的数据。可喜的发现通过数据飞轮的迭代，所有的下游任务都处在AUC、ACC、ROC持续提升的状态。现在展示的是我们实际的工作场景，是RuiPath的界面，进入界面之后可以选择我们的患者，临床的一些信息会通过HiS系统，当我们开始诊断之后，RuiPath就直接进入诊断页面，进入之后是整个阅片的途径，这是AI对于整个的整理。下游任务是我们针对所有不同的癌症梳理出来的自己下游任务。RuiPath也可以提供热力的区来帮助医生去快速定位到我们的病变区域在哪里。现在看到的是乳腺比较罕见的病例，可以看到切片撰写是什么，对于医生来说结果更加可信，描述的镜下所见到底是什么样的。我们以图搜图的情况，在数据库当中搜索相同的数据提供给医生进行学习。同时针对这样的病例，也可以进行知识的问答，我们前期300多本书籍给RuiPath学习，我们可以交流，你的分子检测是什么样，RuiPath可以给我们提供这样的诊断。同时也可以问一些临床的问题。回到上面所有的诊断任务，这些诊断任务现在在我们科8个癌种、8个亚专科，每个都有自己的诊断任务。亚专科负责人对AI的结果进行反馈，采纳还是不采纳这个结果，如果不采纳你认为诊断是什么。现在反馈都做了格式化，反馈的名称全科室都是统一的，更好地进行数据的积累。真实在我们科应用的工作场景，是我们在公开数据集上的测试，这里不再赘述了。  今年6月30号我们将基础的模型进行开源，开源的同时我们也开源了我们700张7个不同癌种的测试数据集，模型和数据开源之后受到了社会各界的关注。9月份数据下载量就将近1.6万。对于下一步，因为医疗AI的创新一定是满足现在并没有满足的健康需求。虽然科内有8个癌种，明年计划希望拓展到19个癌种，但是疾病的诊断是非常庞大的任务，希望提高精度，扩张到不同的癌种，真正帮助医生提升效率。二是希望推动多中心的计划；三是希望未来发展多模态的诊断数据。现在临床上诊断有一个叫MDT，特别是肿瘤的患者，特别是疑难病例。所有相关的医生聚集到一起进行多学科的讨论，最后给出患者最佳的治疗方案，这是现在医疗已经进展到这个程度，我们也相信未来AI也就是做到多模态的融合，类似于现在多学科的讨论。现在还在做一个事情是多中心计划。不瞒各位老师，瑞金的数据虽然肿瘤比较全面的，但是比如说儿科，因为儿外科病人量不多，这方面的数据其实比较少的。眼科等上海有专科的医院，如果有多中心的合作帮助补齐多中心的短板，相信未来模型的能力一定会越来越强。今天也有跟其他老师交流，一个中心的数据相对而言是比较片面的。虽然RuiPath用瑞金自己的数据跟其他模型打榜的时候是有相匹配的水平。但是我们也在做一个探索，用了美国300万张数据训练，拿到瑞金上测的时候，就是出现不同的掉点，不如RuiPath的模型，很好理解，因为没有见过这方面的数据。RuiPath在训练过程中也会遇到这样的问题。所以现在我们推出了一个多中心的计划，在今年的6月份，我们向香港医管局、新加坡国立大学附属医院和中国的很多医院都在进行数据的交流，现在我们的医联体总共有5家医院已经走通了多中心的模式，也就是瑞金先建立一个伦理，我们的其他医院通过伦理的签定，可以合法、合规的把它的数据送到瑞金来，我们来进行Chat预训练。所以我们也是希望未来能够通过持续的开源，来推动我们整个医疗AI的普惠。谢谢各位老师！嘉宾1：你前面讲的数字化的部分有性能的问题、也有成本的问题，成本这块有压缩，实际上我们现在有场景化的压缩，我们希望这块我们可以在瑞金联合，看能不能把压缩率再提高一下？另外未来我们还会有一些介质的创新，来解决15-30年保存的问题。我觉得未来我们在这块还是可以再一起看看有什么可以联合的地方。笪倩：非常谢谢你，的确，存储这个问题真的是一个非常大的问题。其实它的背景是现在像我们科自1958年建科以来，所有的这些大块和切片都需要进行物理的存储，不能丢弃。虽然国家提到了20-30年的保存，但是其实基本上我们一直在保存。所以在物理层面上给我们造成了很大的困扰，像瑞金医院场地的问题，我们有很大一部分资料都放到了几十公里外，如果需要去调这个切片，其实非常耗时。有了数字化切片以后，对于我们的医疗教学和科研都有很大的帮助。以前我们是不用想一次性可以调几万张或者几十万张切片出来，现在有了数字化，大家很方便做。在教学方面如果我想调一个罕见疾病十年前的切片简直是难上加难。所以数字化对于我们的感受是非常大。但是就是因为存储的问题，不仅是存储成本能不能降低，我们当时作为医生来说会有一个担心，就是压缩了以后会对浏览、观看上会不会有影响，对AI算法到底会不会有影响。现在在CSP格式上我们也还在做这方面的探索。从目前来看，其实对于我们AI算法应该不太会产生太大的影响。所以我们也是真诚的希望压缩能够帮助我们去解决这样非常大的痛点问题。周红：请教一下，刚才你提到两个人45分钟的诊断审核，如果用了RuiPath之后，它对效率大概能提升多少？机器审核和人审核的准确度怎么样？笪倩：回答您的第一个问题，其实对于RuiPath而言，现在初检医生，没有做过非常详细的量化统计，但是他们给我的反馈，我基本看了一眼AI的结果大差不差，一张片子的复核时间可以缩短50%。有一个比较鲜明的例子，还是胃肠道，AI能不能帮助我们。以前我在看一张消化道活检的切片，我的整个流程大概是10分钟，而现在我的初检医生是30秒，因为AI已经写好了结果，它只需要Check一下结果，30秒钟就可以完成诊断过程。而对于现在我们RuiPath处理的其实是大标本的问题，去做一个形象的比喻，胃肠道活检的标本直径是0.1cm/张切片，所以我基本看一眼就知道它怎么样。而对于大标本如果是乳腺癌的患者，他至少要取15张切片，每张切片的面积是1.5cm乘1.5cm，那相比较你的0.1cm，它的面积其实是大了非常多，所以我要去进行阅读和判断的时间够非常多，我还需要去进行病灶的定位和分析，而现在有了AI的帮助以后，就刚刚给各位老师展现的热力图，它其实是可以快速地帮我定位到这样的区域，然后我们就可以重点去看这样的区域，来进行判断。所以我们也相信RuiPath在后续不断的训练过程，它一定能够真正帮助到我们。   主持人：我有两个问题，我们RuiPath能不能给一些乡村或者中小医院以云服务的模式扩展到更多的场景？因为这种场景不只是瑞金、并不是医生的服务来挣钱，但这种挣钱的方式是不是医院还适合？对中小医院的支持，因为这个需求量非常大。另外大医院间的合作，我看你列了几个大医院，但有一些比较有名的，比如协和，咱们是开源出去，他们自己也做类似的，还是未来从国家层面做一些更合适的，比如国家实验室，把这个事情如果能做成的话，是一个利国利民的好事。笪倩：首先回答您的第一个问题，在中小医院，RuiPath自从开源以后有很多机构都开始下载我们的基模型，也不瞒各位老师，整个基模在训练过程中的确投入了很大的人力物力财力，我们积累那么多数据也是花了几年的时间，如果说其他的医院再建一个基模，的确需要花很大精力。所以在今年我们有像国家卫健委和上海卫健委都分别汇报了这个工作，也促使了我们整个的开源，现在像北京的安贞医院，还有深圳一些医院已经将我们的基模下载下来进行任务的训练。但是作为我个人有一个不成熟的观点，我有一个担心是整个数据都是用瑞金自己的数据，因为中国的医疗数据规范非常严格，这种模型是数据不出院的，所以它在瑞金本地进行训练。因为前期我们拿不到其他医院的数据，我们并没有办法去做泛化。所以在后来我们只能够去拿公开数据集来进行测试，但是我们也没有拿公开的数据集进行训练。因为公开的数据集我们也看过，包括大家都知道TCC的数据质量也是参差不齐，我们也担心模型越训越傻。所以在整个训练过程中，因为它只用了瑞金的数据，所以真的是到其他医院去泛化的时候，我们还是建议还是拿他的数据做一个小的增训，再看一下在他自己的下游任务中来进行结果的测评。这条路已经有医院走通了，据我所知他们利用RuiPath的基模走通的也开始发报告了。第二是您说到的各大医院的模型各自建立的问题，的确这是一个很现实的问题。有些医院跟我们也有过交流，比方前段时间我们还跟齐鲁医院进行相关工作的汇报，他们其实也非常希望我们能够将模型开源以后来进行数据的共享。据我所知，他的院长也在推动这方面的工作。未来会不会医院之间有一个协作的关系，比方A医院A模型很强，B医院B模型很强，这些医院之间可以相互的联合，来相互验证，来促使这个模型更好更快的训练。但是其实说实话，作为一个病理科医生而言，我非常欣喜的发现，因为我们数字化、智慧化的病理得到了各方重视，所以才出现了现在这种百花齐放的现象，这也是对于行业、整个产业的发展来说是比较可喜的现象。所以我们也非常希望能够多学习这些优秀模型，其实在中国也有其他医院和其他的公司有产出他们的大模型，他们也会有一些很好的Paper的发表。我们其实也在学习，包括现在我们自己的模型也在进行迭代和创新，现在V3出来以后，我们也在基于它来训练我们新版的RuiPath模型，我们在某些测试上比我们的V1版本还要好，我们也期待未来能够有更好的模型贡献给医疗事业。谢谢！嘉宾2：关于RuiPath，它做病理诊断，这个领域非常Critic，我们的经验，它实际上会有误差的，它说的东西有可能是夸大其词，大模型总有幻觉问题。你们遇到这种问题的话，当然是听医生的。那有没有可能医生是错的？ 笪倩：有可能。嘉宾2：你们在用的过程中有没有发现大模型是对的，你们这帮医生学了那么多年，还真的不如它？   笪倩：就像我今天跟您汇报的，我不敢说RuiPath怎么样，但是我觉得Gemini3非常的强。在日常的工作中，因为现在RuiPath是审核医生来教他，所以审核医生都是科室的亚专科负责人，所以这个方面RuiPath比不过他。但是像初检医生的水平，我觉得有一个癌种，垂体神经内分泌肿瘤，这个肿瘤的诊断非常难，因为它一定要结合临床知识、免疫组化然后患者所有影像学的知识，来进行综合的诊断。而这个病例我们科历史有600例，我们现在通过H1的切片能够做到第一我判断它有无肿瘤，这个应该不难。第二我们可以做到它是哪个图系的。第三他是哪个激素分泌的。这三个我们现在RuiPath的实战准确率都在85%以上。而这样的切片诊断，我不是亚专科的医生，我毫不夸张的说，我觉得我看得没他好，他出来的诊断我一定要通过免疫组化我才能进行判断，但是他就可以通过图像。但是我们也分析过为什么在亚专科这么好，第一得益于数据的积累，因为我们前面所有这些数据都是有非常好的临床知识输入，这个方向上都是我们亚专科负责人一个个病例Check过来的，所以在病例上我们有绝对的碾压式优势。但是在一些常见的癌种上，我理解的是现在RuiPath的水平还在亚专科负责人之下，但是在我们刚学习病理的这些医生，它有可能会比他看得好。在拓展到Gemini3，我有时候也会把我自己拿不准的疑难病例输给它，我觉得它整个逻辑思维、它的诊断逻辑、它表达的语言都是有非常强的专业性。我非常看好它可以作为我日常工作和学习的一个工具。所以我不知道Gemini3是怎么训出来这么一个强大的模型，能够在病理这么一个非常小的细分领域上都能做到如此强大的效果，我其实也非常希望未来中国自己的医疗大模型也能够达到这样的效果，因为它真的是帮助我们去减少了很多知识探索和思考过程。我的确是非常看好这个方向。嘉宾3：在很多年前我去过哈佛医学院，还有Google，他们在很多年前就已经战略合作了。包括哈佛医学院发明了基因机制，有个老师很出名，他们长期合作，据说他们两个加在一起，因为积累的医学领域最多的数据，所以他们很多年前就跟我说数据是最重要的，我相信瑞金医院的数据加起来可能都不会到Google医疗数据和哈佛医学数据加起来的零头。所以我感觉是不是这是一个很大的差别？还有哈佛医学院一个医生说他们给全世界提供了一个治疗方案，就是任何人交30万美金，哈佛的人全系给你分析、进行治疗，其实他们本身就在验数据。你就把所有的先进医疗手段在他身上用，用完了治不好就算了。反正当时刘小乐医生就是这样说的，他是在六七年前。我们现在整个的架构方案还有点类似于哈佛大学CLAM方案，其实这还是一个比较早期的方案，就是ViT+小模型。但是走到后面，像哈佛是端到端、MoE模型。所以我感觉他们把那个做出来，第一积累得久，第二数据真的多，Google和哈佛大学共享数据，Google收集了很多医院的数据。   笪倩：接着黄老师这个话题，去年我也去了趟哈佛医学院，在2023-2024年发表了这么多篇文章当中，有一半的文章的第一作者或者通讯作者都是中国的学生或者中国的学者去了这些地方。为什么我当时能够去哈佛，就是因为我当时看文章的时候，无论是在第一作者和通讯作者的时候发现这些人的名字怎么这么像中国人的名字，所以我斗胆搜了他们的文章，我找了他们的邮箱，发了一份邮件，我查了一下，我说我是你们的校友，我也是医院的，我们能聊一聊吗。后来就发现的确很多非常优秀的人才都在美国。第二跟他交流的过程中，的确数据是我们非常大的痛点，我们以前的数据是没有格式化的，这些东西都存在那里，我们并没有非常好的利用。现在中国有些医院积累了大量的数据，但是为什么我们没有把我们历史的实验数据都来进行扫描呢？第一，这个物理切片过了几年以后它的染色就褪色了，褪色以后你说我扫描了以后这个切片会怎么用呢？我的质量其实不高。第二这些数据都没有进行格式化的规整，你要再找这种人工去给它进行规整来进行Path级别简直就是天方夜谭，没有办法进行数据的积累。所以我们数据积累还是2023年我们整个系统改构以后才进行的。正如您所说，我也觉得我们的数据积累不一定够的。但也带来一个问题，数据一定是越多越好吗？从我们自己的工作当中，也不见得。因为我们之前是无意中做的实验，我们用2.5万张数据训出来的模型的效能也不比我们45万张的数据训出来的效能差很远，所以特别是对于医疗数据来说，一定是越多越好吗？当然V3的文章也提到了他觉得数据的多样性才是最重要的，所以在进行对比的时候，我们2.5万张和45万张的数据配比其实比例是差不多的，但效能其实并没有产生变化。所以我们非常希望能够有高质量的数据未来参与整个模型的训练，有可能才是比较关键的。嘉宾3：在现阶段图像识别用合成数据可不可行？现在咱们有探索这方面吗？   笪倩：我们现在还没有，但是已经在业内得到很多共识，比如免疫组化，一个患者如果说他要进行免疫组化的检查，它大概要花大几千块进行检查，所以现在通过虚拟和生成数据来做，效果在Paper上还是不错的，但实际应用场景中我现在还没敢尝试。嘉宾1：我上次到华西学习，他们还有基因共振，比如肺阻塞是有很多共振来判断的。 主持人：非常感谢笪主任。我们从非常现实的行业真实数据，再回到学术理论体系，所以下一个我们有请陈教授跟我们分享《大模型存储：突破算力瓶颈的“隐性引擎”》。【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com