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！

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份开发者鼠标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份练秋湖纪念水杯开发者定制鼠标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份华为手环9NFC版（黑色） 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

2025年夏天，德国弗劳恩霍夫研究所的一份医疗AI综述[1]悄然改写了行业认知。这不是又一篇学术论文，而是一份"变革宣言"——医疗AI正在经历从"医学百科全书"到"临床思维机器"的历史性跃迁。当所有人还在争论AI能否替代医生时，真正的颠覆已经发生：AI学会了推理。有个数字会让你大吃一惊：一台只有2B参数的"小"AI，居然能吊打拥有72B参数的"巨无霸"。Med-R1创造了这个技术神话[2]——用1/36的参数量，跨模态性能暴涨29.94%。跨任务能力飙升32.06%。就像一个县城中学生考倒了清华博士。这不是渐进式改良，这是推理范式的彻底革命。 “推理医疗AI：诊断链+多模态+虚拟专家团队，超越检索与识别” 5000次对决：AI医生 vs 人类医生，谁赢了？[HealthBench发起了一场史无前例的"人机大战"](https://openai.com/index/healthbench/ "HealthBench发起了一场史无前例的"人机大战"")：262位来自60国的医生，对阵最先进的AI系统，战场是5000次真实医疗对话。胜负结果让医学界集体失声：AI在准确性、完整性、安全性等多个维度全面胜出。但紧接着，一个数字让所有人的心提到了嗓子眼：AI模型演进平均表现提升最坏5%场景表现这说明了什么？GPT-3.5→4o→o316%→32%→60%⬇️ 33%平均分越高，关键时刻越危险看懂了吗？AI的平均成绩在一年内翻倍，但在最要命的5%极端情况下，表现竟然下滑三分之一！这就是医疗AI面临的"平均分陷阱"——一个外科医生做100台手术，99台成功，1台失败致死。你觉得这个医生合格吗？医疗行业不需要"优等生"，需要的是"永不掉链子"的可靠伙伴。微软MAI-DxO的测试结果[3]更加戏剧化：面对NEJM的超高难度病例，AI正确率85%。21位美英顶级专家平均只有20%。这些医生个个都是业内泰斗，却被AI按在地上摩擦。这让我们不得不面对一个颠覆性问题：如果AI在绝大多数情况下都比人类医生靠谱，那我们还需要现在这套医疗体系吗？医疗推理LLM的架构结构 DeepSeek-R1的出现[4]标志着AI学习方式的根本性变革。这不是简单的技术迭代，而是从"死记硬背"到"活学活用"的跨越。传统AI训练就像培养"学霸型书呆子"：塞给它海量医学资料，让它死记硬背每个知识点。强化学习则像培养"实战型天才"——就像让一个天才医学生不看标准答案，自己在临床实践中摸爬滚打，摸索出独门诊断秘籍。DeepSeek-R1用的GRPO算法听起来高深，原理其实很朴素：在6710亿参数的庞大网络中，让AI自己寻找最佳推理路径。就像实习医生在各个科室轮转，逐步摸索出最有效的诊断套路。效果如何？这个"自学成才"的AI在数学推理、逻辑分析、代码编写等任务上，已经能和OpenAI当时的王牌产品o1正面硬刚。医疗应用更加激动人心：Med-R1仅用2B参数，就在CT、MRI、超声、病理、X光等8大影像领域取得突破性进展。这个突破的含义深远：一台县医院买得起的小设备，现在能提供三甲医院级别的影像诊断。AI推理的三次飞跃清晰可见：1.0时代：BioBERT们充当"医学搜索神器"2.0时代：Med-PaLM们掌握"诊断推理术"，USMLE考试86.5%，秒杀大批医学生3.0时代：Med-R1们实现"自主进化"，无需人工投喂答案，自己摸索最优路径核心在于：AI终于学会了"像医生一样思考"。 这是一个里程碑式的跨越——从模仿到创造，从记忆到思考。当AI开始"自学成才"时，医疗AI的天花板被彻底掀翻。 医疗体系的五大底层重构重构一：砸碎"经验医学"的铁饭碗医学界有个羞于启齿的秘密：换个医生，很可能就是另一个诊断。这不是危言耸听。多专科研究数据[5]显示，不同医生对同种疾病的诊断一致性只有70-87%。为什么同样受过医学训练的医生会给出不同诊断？根本原因是个人经验的边界和认知框架的差异。每个医生的临床经历各异，培训体系千差万别，接触的病例类型更是天壤之别。更深层的是，人类大脑的工作记忆有限，面对复杂症状组合时，不同医生关注的重点和推理路径会因个人习惯而产生分歧。比如同样是胸痛患者，心内科医生可能首先考虑心梗，呼吸科医生可能想到肺栓塞，消化科医生可能怀疑反流性食管炎。这种"专科视角"的局限性，正是诊断差异的根源。AI如何克服这种局限？通过多学科知识的同步整合和权重平衡，AI能在第一时间同时考虑心血管、呼吸、消化等所有可能性。基于症状特征和检查结果给出综合概率排序，而不是被单一专科思维束缚。糖尿病这种"送分题"能达到94%一致性。遇到精神疾病就掉到63%。罕见病更是"重灾区"：诊断延误数据男性患者女性患者神经精神类平均延误时间3.7年5.4年7.7年平均就诊医生数8位12位更多误诊概率60%+70%+80%+一位女性罕见病患者的求医路有多心酸？5.4年，12个医生，无数次奔波，无数次失望。[6]这样的数据背后是千万个破碎家庭的眼泪。个人经验的天花板就在这里：再牛的医生也不可能实时掌握全球医学动态。但AI能。AutoMedPrompt[7]30分钟搞定的事情，人类医生可能需要几个月：整合全球最新文献，更新诊疗指南，优化推理策略。结果？PubMedQA准确率82.6%。把GPT-4都比下去了。DiagnosisGPT的覆盖面更是让人目瞪口呆：9604种疾病，87%人工可接受率。 这是什么概念？大多数三甲医院的所有科室加起来都达不到这个水平。个人经验的时代结束了，循证推理的时代开始了。重构二：推倒医疗资源的"金字塔"中国医疗有个让人绝望的现状：好医生都被大医院垄断了。残酷的数字[8]：全国3523家三级医院掌控90%的顶级专家，县医院专科医生缺口超过50%，基层医院的高级职称医生占比不足10%。这种"抽血式"集中带来了什么？绝望。 一场年度"医疗大逃亡"：跨省就医"大数据"2024年统计同比增长就医人次2.24亿+90.18%医保支付360.51亿元+94.36%单次额外花费2-5万元-家庭负担占比40-60%-这组数据[9]背后是什么？是无数患者为了看病背井离乡，是无数家庭为了医疗费用倾家荡产。AI正在撬动这座"金字塔"的根基。清华Agent Hospital[10]的42位AI医生，一周干掉1万个复杂病例，诊断准确率93.06%。这个数字打破了什么？打破了人类医生不可替代的神话。 偏远县城的患者，坐在家门口就能享受顶级专家的诊疗水平。成本账更是颠覆性的：“AI能力下沉：10-15万设备替代百万级专家，21专科7×24小时全覆盖” 江苏87家医院的真刀真枪实战[11]证明这不是空想：AI辅助诊断AUC提升0.18，误诊率暴跌32%。老年患者、慢病患者、基层医院，AI表现一样给力。想想这个画面：一个西部县城的糖尿病患者，不用跑到省城排队挂号，在当地卫生院就能享受到华西医院内分泌科主任级别的诊疗建议。当技术能力替代人脉关系时，医疗公平才真正有了希望。重构三：医疗监管长出"千里眼"传统医疗监管就像"蒙眼捉鸡"：覆盖面5%，反应慢半拍。中国医院质控现状[12]暴露了这个痛点：三级医院质控部门100%建制，听起来很美，实际错误检出率只有60-85%。发现问题？得等3-14天。等你发现，黄花菜都凉了。更要命的是人工质控的"人情味"：张医生眼尖能发现的问题，李医生累了就可能漏掉。标准因人而异，质量全靠运气。AI质控是什么水准？从5%覆盖跳升到100%全覆盖，从事后检查变成实时预警，从人工主观变成AI客观。“AI全程监控：异常三色预警 → 绿色通道-黄色预警-红色拦截”上海瑞金医院的"瑞智病理"让人震撼：肿瘤浸润自动识别准确率98%+。质控漏报率暴跌60%。华山医院的肺结节AI更狠：高危漏诊率下降36%，报告速度飙升70%。这不是简单的效率提升，这是监管哲学的根本革命。每一个医疗行为都在AI的"法眼"监督下，医疗安全将达到史无前例的高度。监管的眼睛从此不再闭合。重构四：医疗决策告别"黑箱模式"患者最恐惧什么？不是疾病，是未知。传统看病就像"盲盒抽奖"：医生脑子里转一圈，扔给你一个诊断结果，至于怎么得出的，你别问，问就是"相信医生"。这种信息垄断造成了多大伤害？全球医疗纠纷统计[13]给出答案：30-49%的医疗诉讼直接源于沟通和透明度问题。医生解释不清，患者信任归零。AI推理系统彻底撕掉了这层"遮羞布"。Layered Chain-of-Thought技术把诊断变成"直播间"：症状分析怎么做的？假设是如何生成的？证据怎么排序的？每一步都现场直播，每个环节都有理有据。德国癌症中心MEREDITH系统的数据震撼人心：AI方案与专家团队一致率94.7%。关键是什么？患者能完整追踪从基因检测到治疗方案的整个推理过程。透明化的效果超出了所有人的预期：研究显示[14]AI解释让患者满意度飙升13-22%。医疗纠纷暴跌60%。下次看病时，你不仅知道诊断结果，还能清楚看到AI是如何一步步推理出这个结论的。就像看到老中医"望闻问切"的全过程。对年轻患者来说，这种透明化特别有意义。他们成长在信息时代，习惯了"知其然知其所以然"，AI的可解释性正好满足了这种需求。对于女性患者来说，AI透明化还意味着更多——她们在医疗决策中的话语权历史性地得到了增强。不再需要依赖医生的"权威宣判"，而是可以基于清晰的推理逻辑做出自主选择。透明化正在重写医患关系的底层逻辑：从"权威信任"升级为"理性信任"。重构五：从"单兵作战"转向"集群智慧"最牛的医生也有知识盲区，最强的专家也有思维定势。个人英雄主义在现代医学面前已经过时了。MDTeamGPT展示了"集群作战"的威力：虚拟多学科团队，呼吸科、影像科、肿瘤科AI专家24小时在线。成绩单亮瞎眼：MedQA准确率90.1%。PubMedQA达到83.9%。效率提升更加惊人。传统MDT会诊要凑齐一堆专家，平均磨叽30分钟。AI版本10分钟搞定，专家利用率狂飙300%。这套系统还有个绝技：会自己"成长"。 每次会诊的经验都沉淀到CorrectKB和ChainKB知识库，遇到相似病例立即调用。系统越用越聪明，这是人类团队永远做不到的。4万个病例的大规模验证[15]揭示了协作的秘密：AI-医生混合团队准确率系统性超越纯医生组15-25%。原因很简单：AI和人类擅长的领域不同，犯的错误也不一样。 AI能发现人类忽略的细节，人类能纠正AI的逻辑漏洞。这种"错误互补"威力无穷。个体智慧的局限被集群智慧彻底打破。 全球医疗AI大战：美中欧的"三国杀"这场医疗AI革命不是中国的独角戏，而是一出精彩的全球大戏。美国、中国、欧洲各自亮出看家本领，上演了一场没有硝烟的"三国杀"。美国：创新帝国的"科技碾压"美国是绝对的领头羊[16]：占据全球医疗AI市场58%份额，FDA批准了超过900款AI医疗设备，Google Health、Microsoft、NVIDIA等科技航母在基础模型领域遥遥领先。最关键的是钱：2024年美国AI投资1091亿美元。中国投资约90亿美元。1091亿对90亿的投资差距意味着什么？意味着中国必须用更高的效率和更准的方向来实现弯道超车。 这种资本优势直接转化为技术优势——全球40个顶级AI大模型，美国包圆了绝大部分。中国：应用之王的"弯道超车"中国的策略截然不同：不争第一个发明，但要第一个用好。增速数据[17]震撼人心：中国医疗AI市场2023-2030年复合增长率42.5%。全球最快。更重要的是应用规模：从清华长庚的全球首家AI医院，到江苏87家医院的联盟部署，中国在大规模落地上独领风骚。中国还有个独门秘器：14亿人口的超级数据池。这个"数据金矿"为AI训练提供了其他国家难以匹敌的海量素材。欧洲：标准制定的"游戏规则"欧洲很聪明：既然技术上干不过美中，那就在规则制定上抢占制高点。欧盟AI法案对高风险医疗AI设置了全球最严格的门槛：透明度、可追溯性、人类监督、问责机制，每一条都是"紧箍咒"。德国西门子Healthineers的AI病理系统在欧洲30家医院部署后，诊断一致性从78%提升到92%。成为欧盟AI法案下医疗AI合规应用的标杆。虽然部署速度不如美中，但安全性和可信度更胜一筹。日本的AI医疗应用也在加速，软银投资的AI诊断平台在东京15家医院部署，诊断效率提升25%。形成了亚洲医疗AI的独特路径。竞争维度美国中国欧洲核心优势基础创新+资本应用规模+数据标准制定+合规市场策略技术输出全球本土验证后出海规则输出全球政策导向市场主导创新政府强力推动严格合规优先未来胜算技术护城河规模效应标准话语权这场"三国杀"的结果将决定全球医疗AI的发展方向。美国的创新基因、中国的应用效率、欧洲的标准体系，正在不同维度重塑行业格局。 深层博弈：既得利益者的"求生大战"医院：债务逼宫下的"绝地求生"医院管理者现在睡不着觉。为什么？债务压身[18]：中国公立医院平均负债率45%。部分医院逼近100%红线。药品零差率政策断了"以药养医"的财路，医院必须寻找新的生存之道。AI正在成为医院降本增效的重要工具。国际案例显示：多家医院通过AI实现运营成本下降10-30%[19]AI文书系统、智能排班等应用已在全球范围内证明了显著的成本节约效果中国部分三甲医院的AI试点项目也展现出良好的投资回报前景如果你是医院CEO，面对AI技术的成本效益潜力，是否会重新考虑投资策略？麦肯锡的研究[20]更大胆：AI能让医院运营成本下降10-30%。全球年节约空间3600亿美元。如果你是医院CEO，面对这样的投资回报，还会犹豫吗？关键是，AI不仅降成本，还能增收入。智能分诊提升接诊量10-30%，远程会诊拓展服务半径，AI辅助提高诊疗成功率。技术投入变成了利润引擎。医院的生存法则正在改写：不是比谁的专家多，而是比谁的AI用得好。医生：从"权威光环"到"协作高手"医生群体正在经历一场"身份危机"。美国医学会数据[21]显示：66%的医生已经踏上AI列车。比一年前增长70%。但适应过程并不轻松——40%的医生需要重新学习数据素养，掌握人机协作技能。DeepSeek-R1在临床药学的表现[22]让人刮目相看：48例实战测试，专家评分9.3-9.4分（满分10）。完胜GPT-4o和Claude。处方审核效率提升40%，患者咨询响应提升30%。对年轻医生来说，这是最好的时代：AI辅助让学习曲线缩短50%。诊断能力快速提升，职业起步阶段就能接触复杂病例。如果你是刚入行的年轻医生，现在最该学什么？不是死背教科书，而是掌握AI协作技能。 会用AI的医生和不会用的医生，职业发展轨迹将完全不同。资深医生则面临角色转换。从"诊断专家"变成"AI指挥官"，从"单打独斗"转向"团队协作"。适应性强的医生将获得前所未有的能力放大，固步自封的医生可能被边缘化。薪酬结构也在悄然变化：AI协作能力开始比纯专业知识更值钱，跨学科整合能力成了晋升新标准。患者：从"听天由命"到"当家作主"AI给患者带来的最大礼物不是更精确的诊断，而是前所未有的知情权和选择权。当诊疗过程变得透明时，患者第一次成为医疗决策的真正参与者。清华长庚Agent Hospital的AI医生能自动生成通俗解释，让普通人也能理解复杂的医学逻辑。透明化的效果超出了所有人的预期：研究显示[23]患者满意度提升13-22%。医疗纠纷暴跌60%。当你能理解医生（和AI）的诊断逻辑时，信任自然而然建立起来。就医体验的改善更加直观：实测数据[24]显示，AI智能分诊让等候时间从1.97小时缩短到0.38小时。门诊费用还有所下降。60%的门诊患者现在通过AI完成初步筛查。就医从"被动听诊"变成"主动规划"。对女性患者而言，这种变化意义重大：她们更重视就医体验和情感关怀，AI的透明化正好满足了"知情参与"的心理需求。年轻患者更是天然的AI拥护者，他们对新技术接受度高，更愿意尝试智能化医疗服务。患者正在从"被动病人"进化为"主动健康管理者"。 阻力重重：变革路上的"绊脚石"技术现实：不是每个AI都是"神话"现实总是比理想骨感。IBM Watson for Oncology的史诗级翻车[25]就是血淋淋的教训：4亿美元打水漂。多家医院集体抛弃，推荐方案与临床实践南辕北辙。同样是AI，IBM败得一塌糊涂，清华却创造奇迹，差别在哪？ 关键在于技术路线：IBM依赖专家规则和知识图谱，清华采用端到端的深度学习和强化学习。前者僵化，后者灵活。技术瓶颈依然存在：多模态整合难题：影像+文本+基因+生理信号的融合复杂度呈指数增长实时性挑战：医疗决策常需秒级响应，AI推理速度仍有限制泛化能力不足：换个医院、换个地区，AI表现可能大打折扣ECRI的严厉警告[26]更是当头棒喝："AI治理不足"荣登2025年全球医疗安全威胁榜第二名。美国7%住院患者已受诊断错误影响。AI失控的后果不敢想象。监管迷局：责任真空的"三不管地带"AI出了医疗事故，板子打在谁身上？医生？医院？AI公司？答案是：没人知道。目前的责任认定[27]一片混沌：医生名义上兜底，AI公司设计缺陷责任模糊，医院管理疏漏界定不清。欧盟试图用AI法案厘清责任，要求高风险AI实施"严格责任+强制保险"，但执行细节仍在摸索。中国的情况更复杂：NMPA审批数据[28]显示，Class III高风险AI设备审批周期18-36个月。成功率极低。企业巨额研发投入，可能在审批环节"全军覆没"。现实很扎心：只有16%的医院有完整AI治理政策。大部分医生使用AI都是"无证驾驶"。观念壁垒：思想转弯的"马拉松"技术可以一夜更新，观念改变需要一代人。医生态度调查[29]显示，虽然66%已经上车，但真正拥抱AI的医生有限。老专家担心权威被颠覆，年轻医生怕饭碗被砸掉。患者心态更微妙：信任度研究[30]显示，52.9%的人依然更相信人类医生。AI和医生意见打架时，95%患者站队医生。还有个奇特的"AI污名化"现象：医生一旦公开使用AI，患者对其专业形象评价反而下降0.1-0.3分。这说明什么？大众对AI医疗还有心理防线。 时间表上的"关键决战"2025年：验证之年的"大考时刻"2025年注定被载入史册——中国医疗AI的"验证年"。关键时间节点一览：1月：上海医疗大模型认证中心成立[31]，开放真实医院场景试点审核5月：清华Agent Hospital[32]启动公众试点，42位AI医生接受真实世界终极考验9月计划： 上海、深圳、成都启动第三批"智慧专科AI平台"，慢病管理与康复随访一体化运作年底目标： 三甲医院AI渗透率突破85%，100家标杆医院完成全流程部署政府投入史无前例：中央层面：科技部"新一代人工智能专项"单年拨款30亿，主要投向大模型基础研究、医院试点应用和产学研协同创新地方配套：各省市专项资金200亿，重点支持应用示范项目、基础设施建设和人才培养投资效果评估：政府正在建立包括AI医院部署数量、诊断准确率提升、患者满意度改善等关键指标的评估体系这种投入力度在全球医疗AI领域绝无仅有。2027年：爆发之年的"收割季"如果2025年验证成功，2027年将迎来井喷式爆发。市场预测令人兴奋：50%以上三级医院部署AI推理系统30%二级医院实现智能辅助诊疗全球市场规模[33]从200多亿跳升至接近2000亿美元中国市场42.5%年增长率，每两年规模翻倍创业机会批量涌现：边缘AI：县医院智能设备需求爆发专病管理：糖尿病、高血压AI随访系统数据安全：医疗AI的隐私保护刚需人机界面：AI诊断的可视化展示工具如果你是应届毕业生，现在进入医疗AI领域正当时：技术门槛在降低，市场需求在爆发，政策环境在优化。 掌握Python编程、理解医学基础、学会产品思维——这三项技能将让你在这波浪潮中游刃有余。除了技术开发，健康数据分析师、AI医疗产品经理、患者体验设计师等新兴岗位同样充满机会。想快速入行？先选一个细分方向深耕6个月，做出一个能展示能力的小项目，然后主动联系相关企业或医院。 比如做一个糖尿病AI随访小程序，或者设计一套AI诊断的可视化界面。对于资深投资人而言，医疗AI不仅是技术投资，更是对未来医疗体系重构的战略布局。当整个行业的底层逻辑都在改变时，早期布局的价值将被成倍放大。独角兽批量诞生[34]：Abridge 27.5亿、Freenome 25亿美元的估值只是开胃菜。真正的盛宴还在后头。2030年：变革的"收官时刻"到2030年，大局已定：95%三级医院 实现AI深度集成80%二级医院 具备智能诊疗能力60%基层机构 完成AI协作升级这时候的医疗世界将彻底不同：分级诊疗真正落地，资源配置效率飙升50%，医疗成本整体下滑20-30%。更重要的是，医疗公平将从口号变成现实。AGI降临：医疗的"奇点时刻"2028-2032：通用智能的"破晓时分"最新预测[35]显示，AGI出现的概率在2028-2032年达到50%。这个时间节点比大多数人预期的要早得多。AGI对医疗意味着什么？不是量变，是质变。技术突破正在按既定时间表推进：多模态推理：预计2027年成熟，影像、基因、生理信号统一分析，关键突破点是跨模态注意力机制的优化和计算效率的提升个性化治疗：2028年突破，基于全维度数据的定制方案，瓶颈在于因果推理模型的完善和长期疗效预测算法的成熟预测医学：2029年应用，疾病风险的提前干预，核心是时序建模技术的成熟和生物标志物识别的突破药物设计：2030年商业化，分子层面的精准研发，依赖蛋白质折叠预测的根本性突破和化合物合成路径的AI优化。这个突破的难点在于计算复杂度和实验验证的平衡，AlphaFold已经开了好头，但从预测到设计还有关键一步要走——如何确保AI设计的分子在真实生物环境中的稳定性和有效性。与此同时，量子计算在分子模拟中的应用也将为药物设计开辟全新路径。预计2031-2032年量子优势在分子模拟中开始显现。全域诊断、个性治疗、药物设计、健康预测——所有医疗环节都将被AGI重新定义。医疗将从"头痛医头"转向"未病先防"，从"千人一方"转向"一人一策"。终极愿景：公平医疗的"大同世界"技术发展的终极目标是什么？让每个人都能享受最顶级的医疗服务。当AGI的能力下沉到每一个诊疗终端时，出生地不再决定医疗资源获得，经济状况不再成为优质医疗的门槛。这不是空想：边缘AI设备成本已降至十万元级，远低于传统设备的百万投入。技术的指数级进步，正让"医疗大同"从理想照进现实。全球医疗成本节约预测[36]显示：AI普及后每年可省2000-3500亿美元。这些节约将用于扩大服务覆盖，让更多人受益。人机和谐：最美好的共生图景理想的未来是这样的：AI负责冰冷的数据计算，医生专注温暖的人文关怀。技术让诊断更精准，人性让治疗更有温度。患者成为充分知情的决策主角，医生成为AI赋能的关怀专家，技术真正服务于生命的尊严和健康的追求。在这个过程中，医疗的本质永远不变——它关乎生命，关乎希望，关乎人类对健康的永恒渴望。AI只是让这个古老的使命变得更可能、更公平、更高效。 写在最后：我们准备好了吗？德国弗劳恩霍夫研究所的这份综述，记录了一个历史转折点：医疗AI从工具升级为伙伴的关键时刻。正如ChatGPT重新定义了人机对话，医疗AI的推理革命将重新定义医疗本身。清华长庚的42位AI医生、江苏87家医院的协同实验、DeepSeek-R1的技术飞跃，都在向世界宣告：医疗行业的"ChatGPT时刻"已经到来。问题不是变革会不会发生——数字和案例已经给出了铁证如山的答案。真正的问题是：作为投资人，你准备好重新配置医疗AI赛道了吗？哪些细分领域还有掘金机会？边缘AI、专病管理、数据安全、人机界面，每一个都可能诞生下一个独角兽。作为创业者，你看到了哪些颠覆性机会？当市场规模以42.5%年增长率狂奔时，窗口期不会等人。作为医疗从业者，你做好了与AI共舞的准备吗？会用AI的医生和不会用的医生，未来将是两个完全不同的物种。即使你只是一个普通患者，这场变革也与你息息相关：下次生病时，你更愿意相信经验丰富的老医生，还是数据驱动的AI诊断？变革的巨轮已经启动，顺势者将乘风破浪，逆流者终将被历史淘汰。在这个医疗AI的"ChatGPT时刻"，我们每个人都站在了选择的十字路口。这不是一场技术升级，这是一次文明跃迁。  参考资料[1] 医疗AI综述: https://arxiv.org/abs/2508.19097[2] Med-R1创造了这个技术神话: https://arxiv.org/html/2503.13939v1[3] 微软MAI-DxO的测试结果: https://time.com/7299314/microsoft-ai-better-than-doctors-diagnosis/[4] DeepSeek-R1的出现: https://arxiv.org/pdf/2501.12948.pdf[5] 多专科研究数据: https://pmc.ncbi.nlm.nih.gov/articles/PMC11029337/[6] 5.4年，12个医生，无数次奔波，无数次失望。: https://ojrd.biomedcentral.com/articles/10.1186/s13023-025-03941-8[7] AutoMedPrompt: https://arxiv.org/html/2502.15944v1[8] 残酷的数字: https://www.statista.com/statistics/1364733/china-number-of-hospitals-by-classification/[9] 这组数据: https://pmc.ncbi.nlm.nih.gov/articles/PMC12176241/[10] 清华Agent Hospital: https://med-tech.world/news/chinas-ai-hospital-transforming-healthcare/[11] 江苏87家医院的真刀真枪实战: http://medrxiv.org/lookup/doi/10.1101/2025.02.12.25322194[12] 中国医院质控现状: https://www.joghr.org/article/11945-analysis-of-quality-assurance-in-the-hospital-sector-of-the-people-s-republic-of-china[13] 全球医疗纠纷统计: https://www.oncozine.com/good-how-good-communication-and-transparency-may-help-avoid-a-medical-malpractice-lawsuits/[14] 研究显示: https://pmc.ncbi.nlm.nih.gov/articles/PMC8176739/[15] 4万个病例的大规模验证: https://www.mpg.de/24908163/human-ai-collectives-make-the-most-accurate-medical-diagnoses[16] 美国是绝对的领头羊: https://hai.stanford.edu/ai-index/2025-ai-index-report[17] 增速数据: https://www.dialoghealth.com/post/ai-healthcare-statistics[18] 债务压身: https://pmc.ncbi.nlm.nih.gov/articles/PMC11458439/[19] 多家医院通过AI实现运营成本下降10-30%: https://msdynamicsworld.com/blog-post/ai-healthcare-how-hospitals-can-cut-operational-costs-30[20] 麦肯锡的研究: https://msdynamicsworld.com/blog-post/ai-healthcare-how-hospitals-can-cut-operational-costs-30[21] 美国医学会数据: https://www.ama-assn.org/practice-management/digital-health/2-3-physicians-are-using-health-ai-78-2023[22] DeepSeek-R1在临床药学的表现: https://medinform.jmir.org/2025/1/e76128[23] 研究显示: https://pmc.ncbi.nlm.nih.gov/articles/PMC8176739/[24] 实测数据: https://pmc.ncbi.nlm.nih.gov/articles/PMC7966905/[25] IBM Watson for Oncology的史诗级翻车: https://www.henricodolfing.com/2024/12/case-study-ibm-watson-for-oncology-failure.html[26] ECRI的严厉警告: https://home.ecri.org/blogs/ecri-blog/ensuring-safe-ai-use-in-healthcare-a-governance-imperative[27] 目前的责任认定: https://scholar.kyobobook.co.kr/article/detail/4010071015614[28] NMPA审批数据: https://chinameddevice.com/services/regulatory-services/ra-strategy/nmpa-classification/[29] 医生态度调查: https://www.ama-assn.org/practice-management/digital-health/2-3-physicians-are-using-health-ai-78-2023[30] 信任度研究: https://dx.plos.org/10.1371/journal.pdig.0000237[31] 上海医疗大模型认证中心成立: https://apacmed.org/wp-content/uploads/2025/02/3-April-2025-China-DH-and-AI-webinar.pdf[32] 清华Agent Hospital: https://medtechintelligence.com/viewpoint/chinas-ai-hospital-pilots-launched-in-may-2025/[33] 全球市场规模: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-healthcare-market[34] 独角兽批量诞生: https://www.holoniq.com/healthtech-unicorns[35] 最新预测: https://research.aimultiple.com/artificial-general-intelligence-singularity-timing/[36] 全球医疗成本节约预测: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-healthcare-market  原文作者： 涌现聚点原文链接： https://mp.weixin.qq.com/s/qURFGRMIzt06yp-1cKy5RQ来源： 微信公众号  【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

洞察驱动：破解病理困局，数字化转型已成必然趋势 作为引领医疗智慧升级的关键引擎，华为云清晰地认识到，当下中国病理诊断正面临着一场由多重挑战“倒逼”而来的根本性变革。 • 供需失衡的严峻挑战：国家卫健委指导标准与现实资源之间存在巨大鸿沟，我国病理医师缺口巨大，每位医生承担着数倍于常态的工作量。 • 资源配置不均与效率瓶颈：优质诊断能力集中于少数中心，基层医疗的病理诊断质量与服务可及性亟待提升；...洞察驱动：破解病理困局，数字化转型已成必然趋势 作为引领医疗智慧升级的关键引擎，华为云清晰地认识到，当下中国病理诊断正面临着一场由多重挑战“倒逼”而来的根本性变革。• 供需失衡的严峻挑战：国家卫健委指导标准与现实资源之间存在巨大鸿沟，我国病理医师缺口巨大，每位医生承担着数倍于常态的工作量。• 资源配置不均与效率瓶颈：优质诊断能力集中于少数中心，基层医疗的病理诊断质量与服务可及性亟待提升；同时，依赖传统物理切片（玻璃切片）的诊断模式，长期面临储存易损、检索效率低等问题。正因如此，站在行业赋能者的角度，华为坚信：通过 “数字化”解构微观图像，结合“智能化”辅助诊断决策，是系统性提升行业诊断能力、应对挑战的核心理念。这不仅是一次技术升级，更是对“精准、高效、普惠”现代医疗服务理念的直接呼应。 战略践行：强强联合、夯实根基，以科技创新定义产业风向华为云的战略选择与行动，清晰地描绘了如何将前沿技术转化为解决真实临床问题的具体实践。1. 携手顶级医院，共创垂直大模型：RuiPath，一个里程碑式的合作实践• 核心成就：华为与上海瑞金医院在2025年联合发布了 RuiPath病理大模型，成功将单张病理切片的智能化分析时延缩短至 “秒级” 。这一突破不仅预示着诊断效率的极大提升，也开启了以AI大模型重塑病理科室工作流的新范式。• 深层意义：该模型标志着科技企业与顶级医疗机构“产-学-研-用”协同模式的深入与成熟。2025年，双方更将模型的视觉基础模型及相关数据集开源，旨在团结更广泛生态，推进数字病理技术共同进步与AI应用的普及。2. 打造技术协同“基座”，实现数字化与智能化的无缝流转从“全片数字化”到“云-边协同”：在华为的理念中，病理智能化的前提是全流程的、可计算的数据准备。我们致力于： • 提供高效的“端侧”采集设备：通过先进的高分辨率数字扫描仪，高效、高保真地完成从实体玻片到完整数字切片（WSI）的转化，彻底解决物理切片的永久存档、便捷调阅与无损传输问题。 • 建设弹性、可靠的“云+边缘”数字平台：基于华为云强大、稳定、安全的数据存储、管理与计算能力，构建标准化、可复用的数字病理工作平台。利用“边-云”协同架构，我们既能提供云端强大的AI模型训练与应用部署能力，又能通过边缘节点部署满足医疗机构数据主权和低延时实时分析的双重需求，支撑病理AI应用在全国各级医院的快速、灵活落地。 案例见证：从标杆突破到区域赋能 华为云的解决方案已在多家医疗机构开花结果，形成从“标杆打造”到“网络赋能”的成功实践路径：• 与上海瑞金医院的“RuiPath病理大模型”合作，实现了AI在病理辅助诊断上的重大突破，并选择开源以赋能整个行业生态 。• 助力武汉市中心医院构建数智化病理中心平台，不仅优化了本院诊疗流程，更重要的是通过平台赋能基层医院。通过远程会诊与分级协作，专家可以随时为下级医院（如江夏区人民医院）提供线上紧急诊断支持，单次紧急会诊报告出至30分钟内，充分体现了华为云技术在促进医疗资源纵向流动、提升区域整体服务水平方面的价值 。• 为深圳市南山区人民医院部署业界领先的医疗级网络基础设施，打造了基于F5G-A（50G PON）的万兆全光医院网络。AI辅助的数字化病理诊断数据传输时间因此被压缩至 10秒，为未来更大规模、更高实时性要求的病理协作与应用场景铺平了道路 。• 探索多模态医疗AI融合：通过为中医药现代化提供支持，如与合作伙伴共同打造“数智本草”大模型，进一步展现了华为云AI技术在不同医疗场景（中西医结合）中的灵活融合与创造性应用。 政策赋能：顶层设计铺路，为规模化应用注入强劲动能 华为云深度解读并积极响应国家为行业变革提供的系统化支持：• 支付端形成决定性驱动力：国家医保局发布的《病理类医疗服务价格项目立项指南（试行）》以“价格杠杆”形式，对未数字化的切片进行直接减收，这从支付端为医院全面推进数字化转型提供了前所未有的、可量化的经济激励，明确了转型不再是“可有可无”的选项，而是关系发展的“规定动作”。• 发展蓝图明确时间表和路径：《关于促进和规范“AI+ 医疗卫生”应用发展的实施意见》等一系列国家文件的出台，系统性地描绘了从技术试点到规模推广的宏观路径，不仅为医疗机构指明了方向，也为包括华为在内的科技企业以技术创新服务行业需求提供了长期、稳定的市场预期与政策环境。 未来共创：以“数字基座”和“智能引擎”推动行业新生态形成面向未来，华为云的战略焦点持续聚焦于为医疗机构、科研伙伴和产业赋能，共同描绘以下清晰的发展图景：1. 夯实基础：规模化推进病理科全流程数字化2. 我们将继续与伙伴协作，助力全国各级医院病理科，使其诊断核心——病理切片，从易耗的“物理资产”全面进化为可永久保存、任意调阅、便捷共享的 “核心数字资产”。3. 引入智能：深度整合“人机协同”工作流4. 将包括RuiPath在内的一系列AI辅助诊断模型与工具，无缝嵌入病理医师的日常工作桌面，形成 “医师高价值决策+AI高效辅助筛查分析” 的全新诊疗模式，实现诊断质量与效率的双重飞跃，并向基层均质化。5. 编织网络：构建普惠共享的智慧诊断共同体6. 基于安全可靠的云平台和标准化数据接口，连接不同层级的医疗机构，共建一个 区域协同、支持远程会诊、实现质控同质化 的智慧病理诊断网络，让高水平专家的“智慧诊断力”不受空间限制，实现全域覆盖，最终助力优质医疗服务更公平、更高效地抵达每一位有需要的患者。 结语数字病理的时代浪潮正席卷而来。作为长期投入、持续创新的科技企业与平台赋能者，华为云将坚定不移地依托在云计算、人工智能、网络通信、生态平台等领域的技术积淀，携手所有怀揣“健康普惠”使命的同路人——医院管理者、临床专家、设备伙伴、研究学者，持续构筑坚实的数字化“底座”，并提供澎湃的智能化“引擎”，共同塑造一个诊断更精准、流程更高效、医疗更普惠的未来新生态。*以上参考信息来自互联网 【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

在病理人眼中，《病理类医疗服务价格项目立项指南（试行）》这份价格指南意味着什么？在近日国家医保局的在线直播分享中，卞修武院士以“促进学科发展，服务国家战略”为视角，深刻解读了《立项指南》对于整个病理生态的重塑意义。中国科学院院士、病理学权威卞修武教授从学科本质与发展战略的高度指出，《病理类立项指南》是对病理“医学之本”地位的制度性正名，是破解学科发展瓶颈、服务健康中国战略的关键举措。 病理为医学之本”，需推动其迈向“下一代诊断病理学卞修武院士开宗明义地强调了病理学的核心价值。他指出，病理学不仅是是现代医学产生和发展的根基学科，是基础医学与临床医学之间的桥梁，更是疾病诊断的“金标准”。现代病理医生的角色已发生深刻转变，从传统的形态学诊断，延伸至指导靶向用药、预测治疗反应、判断预后等全链条医疗决策支持，是临床医生的“医生”。然而，我国病理学科长期面临建设滞后、人才短缺、价格与价值严重偏离等困境，其智力劳动价值被掩盖在技术操作与耗材成本之下，制约了其在精准医疗时代发挥更大作用。正是基于这样的背景，卞修武院士强调，必须推动病理学向“下一代诊断病理学”演进。在精准医学与智慧医疗双轮驱动下，病理学的发展方向日益清晰： 跨尺度多模态信息融合催生数智病理：整合组织形态、分子特征、临床信息等多维度数据，构建更全面的疾病认知图谱。  “下一代诊断病理学”形成与发展：从组织和细胞病理到数字病理、AI+病理，构建“下一代诊断病理学”。 体系化建设与应用：从样本处理到诊断输出，构建标准化、自动化、智能化的新一代病理诊断体系。 这一演进不仅是技术升级，更是学科定位与价值的系统性重塑。 立项指南四大举措，系统性回应学科诉求  卞修武院士认为，新指南的出台，正是对这些深层问题的精准、系统性回应。 1.确立诊断独立价值，提升人才吸引力。单独设立“病理诊断费”（含远程诊断），将诊断的智力劳动从技术操作中剥离并单独定价，实现了“物”与“人”价值的彻底分离。这是一次里程碑式的认可，从根本上解决了病理科“劳务成本无法体现”的沉疴，为提升病理医师的职业成就感和经济回报、吸引和稳定高端人才提供了最直接的制度底气。 2.单列检测收费路径，支撑精准医疗。指南为PCR、FISH、一代/二代测序等分子病理检测项目明确了收费依据，让指导靶向治疗、免疫治疗的“伴随诊断”项目告别“野蛮生长”和收费乱象。提高了精准用药的科学性、合理性与经济性，使病理科能更规范、有力地支撑临床个体化治疗。 3.强制数字化切片存储，夯实创新基础。将切片扫描、数字化存储纳入收费，并实施“缺数减收”，从倡导到逐步强制数字化病理，是以经济手段强制推动病理资料数字化转型。卞院士指出，这不仅仅是流程改造，更是为构建大规模、可溯源的标准化病理数据库搭建了“数字底座”，为后续人工智能研发、科研探索及智慧医疗发展奠定了不可或缺的数据资产基础。 4.明确AI赋能路径，拥抱数智病理。指南将“人工智能辅助诊断”的价值包含在主诊断项目中，作为其扩展项，为其临床应用扫清了关键的制度障碍。。在病理医生资源匮乏的背景下，AI能分担初筛工作，让医生专注于复杂决策，是实现学科“跨代升级”、提升诊断均质化与效率的必然选择。 共筑生态，迈向未来立项指南的落地，意味着病理学科的“底层操作系统”已完成关键更新，这不仅是价格调整，更是深度的“价值重估”与“发展路径重塑”。它从国家层面确立了病理学的战略地位，并为学科从“辅助”走向“临床决策核心”、从“数量”转向“质量与精准”的转型，提供了坚实的制度支点。这一系统性变革，正与国内蓬勃发展的数智化实践同频共振。当政策为诊断智力价值“正名”，WisPath®全流程智慧数字病理系统便成为使其可量化、可管理的数字基座；当数字化成为“硬要求”，数智病理一体机的一体化轻量解决方案则助力各级医院同步跨越门槛；当AI辅助获得认可，结构化报告便为其进化筑牢数据基石；而成熟的远程会诊平台，直接实现了优质诊断资源的可及与下沉。衡道数字的多元化产品矩阵，覆盖全场景需求 这些由衡道数字等创新力量与医疗机构共同探索的解决方案，构成了一张清晰的临床实践“导航图”，将宏观政策解码为可执行的具体路径。新政更新了“操作系统”，而这些扎根临床的数智化应用，则构成了使其真正发挥效能的“关键生态”。展望前路，唯有政策、临床与产业力量持续携手、生态共建，才能将“医学之本”的蓝图，转化为支撑“健康中国”的坚实力量，共同开创诊断病理学的崭新篇章。  原文作者： 衡道数字原文链接：https://mp.weixin.qq.com/s/uaSL4PP4KJpdLwBUopcmNQ来源： 微信公众号  【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

【摘要】 人工智能正以前所未有的速度重塑科学研究版图。众多科研领域中，生命科学、生物医药等生物学领域凭借数据丰富、应用场景明确、社会需求迫切等因素，成为AI+科学研究（以下简称科学智能）最活跃、最具引领性的前沿阵地。AI模型和工具不仅在预测蛋白质结构等基础研究上取得突破，更在推动全新药物管线进入临床试验，甚至开始自主发现新的生物学通路 。  刘莫闲  腾讯研究院高级研究员日前，谷歌DeepMind 发文《AlphaFold：五年来的影响》，回顾五年来蛋白质结构预测的技术突破对于推动科学进步的巨大作用。 人工智能正以前所未有的速度重塑科学研究版图。众多科研领域中，生命科学、生物医药等生物学领域凭借数据丰富、应用场景明确、社会需求迫切等因素，成为AI+科学研究（以下简称科学智能）最活跃、最具引领性的前沿阵地。AI模型和工具不仅在预测蛋白质结构等基础研究上取得突破，更在推动全新药物管线进入临床试验，甚至开始自主发现新的生物学通路 。图：谷歌 DeepMind AlphaFold在谷歌 DeepMind等持续深耕 AI for Science的科技企业引领下，以生物学为代表的科学智能正在进入一个高产出、快迭代的应用落地期。“基础模型+科研智能体+自主实验室”的AI驱动科研范式逐步形成。谷歌 DeepMind 领衔科学智能技术演进谷歌在科研领域持续深耕超过十年，并凭借以 TPU 为核心的 AI 算力基础设施、以 Gemini为基础大模型的 AI 模型底座，不断研发科学智能技术，先后造就了 AlphaFold 等世界级的科学智能模型和工具体系，引领全球科学智能技术演进。  AlphaFlod引领生物学研究从结构预测到生成式设计的跨越。生物学是 DeepMind布局最早且护城河最深的领域，其核心逻辑在于利用深度学习解决高维生物大分子的构象空间问题。AlphaFold 的问世标志着蛋白质结构预测问题的实质性解决，其不仅斩获 2024 年诺贝尔化学奖，更成为现代生物学的数字基础设施。AlphaProteo 则推动生物学研究正式跨入生成式生物学时代。而结合 AlphaMissense 对基因突变致病性的精准预测，DeepMind 进一步打通“靶点发现—结构解析—药物设计”的全链路。 WeatherNext实现气象学数据驱动对数值模拟的降维打击。DeepMind最新发布的 WeatherNext 2 模型（GraphCast 的继任者）的数据驱动方法在精度与效率上已全面超越传统物理模型。WeatherNext 2 在 99.9% 的预测变量与时间跨度上，准确率均优于欧洲中期天气预报中心 (ECMWF) 的 HRES 系统，且推理速度提升了数个数量级。 GNoME 和 AlphaQubit 拓展AI在物理与材料科学领域应用。GNoME (Graph Networks for Materials Exploration) 利用深度学习在无机晶体空间中进行了海量搜索，预测了数百万种稳定的新材料结构，其规模相当于人类过去几十年实验发现总和的数倍，为电池技术与超导材料的研发提供了庞大的候选库。在量子计算领域，AlphaQubit 模型则成功将 Transformer 架构应用于量子纠错，显著降低量子计算芯片的量子比特读数错误。 AlphaEvolve 推动数学和计算机学从逻辑推理到算法的自我进化。 AlphaEvolve 通过引入进化计算范式，致力于打破人类设计算法的局限，自动搜索并发现更高效的机器学习算法与损失函数，实现了从“人工设计”到“自动发现”的元层级跨越。 在此基础上，AlphaChip 将芯片设计转化为强化学习问题，成功优化了 Google TPU v6 的布局；而 AlphaGeometry 和 AlphaProof 则证明了 AI 在形式化数学证明与逻辑推理上的突破。生物学领域进展引领科学智能落地前沿谷歌DeepMind 引领的技术突破，点燃了全球科学智能的技术研发和行业应用热潮。生物学则成为了进展最快的科研领域，材料学、物理学、气象学、计算机和数学紧随其后。 （一）科学智能进入生物学基础研究深水区 单细胞行为的AI生成与分析获得全新发现。谷歌和耶鲁大学联合发布270亿参数单细胞分析基础模型C2S-Scale，生成了关于癌细胞行为的全新假设，并在多次体外实验中得到验证。这展示了利用AI提出原创科学假设的潜力，有望据此探索出开发抗癌方法的新途径。 蛋白质生成式模拟和预测体系更加完善。微软BioEmu模型在蛋白质动力学模拟方面填补了空白，并实现了高达10万倍的模拟速度提升。中科院团队提出整合结构和进化约束的反向折叠蛋白质预测模型，为蛋白质工程开辟新路径，相关成果发表于《Cell》期刊。 AI 辅助基因组学研发体系初步构建。谷歌通过10年持续研发和探索，逐步构建了从基因测序、读取和变异识别，到基因表达预测和致病潜力评估，再到疾病基因检测和诊断的AI基因组学研究和应用体系，有助于推动遗传学、基因医疗等发展。 （二）AI 驱动医疗落地应用全面开花 AI 辅助病理检测拓展新疾病场景。腾讯生命科学实验室与广州医科大学第一附属医院、广州呼吸健康研究院联合研发的DeepGEM病理大模型，已在肺癌基因突变预测中完成大规模验证，只需常规病例切片图像，1分钟内完成肺癌基因突变预测，精准度达78%～99%。 AI检测基因突变进一步工具化。谷歌发布DeepSomatic工具集用于肿瘤细胞中基因变异的识别，适用于白血病、乳腺癌、肺癌等癌症类型，识别准确率均优于现有方案。 AI驱动药物研发迈过临床II期阶段。北京大学第三医院等多家医院与剂泰科技联合进行的AI优化候选药物MTS-004已完成III期临床研究，成为国内首款完成III期临床的AI赋能制剂新药，该药物预计面向渐冻症、脑卒中等神经系统疾病。上述进展突破了过去几年国内乃至国际AI驱动药物发现鲜有突破临床II期的瓶颈，备受国内外关注和肯定。 （三）AI在材料学、气象学、数学等领域加速应用 AI+材料科学有望成为科学智能的下一个前沿阵地。前OpenAI和Deepmind成员创立Periodic Labs开展新型超导材料等AI自动化发现。刚获1亿美元A轮融资的CuspAI研发AI平台用于发现碳捕获新材料。孵化自北大深研院深港河套科创中心的鼎犀智创正构建RhinoWise材料创新平台，开展新能源、半导体等领域关键材料创新。 AI气象学和物理学的应用已见实效。DeepMind的飓风AI模型已成功预测“梅利莎”等超强飓风的路径和强度变化帮助美国及周边国家提前预警。黑洞理论物理学家Alex Lupsasca利用GPT-5在半小时内推导出黑洞理论新特性。核聚变初创公司CFS利用谷歌开源TORAX工具来辅助研发SPARC核聚变装置。 AI在数学和计算机学领域的应用潜力巨大。数学研究人员利用GPT5探索解决历史数学难题-埃尔德什难题，谷歌基于AlphaEvolve推进数学和理论计算机科学研究，英伟达开源模型系统GenCluster获得IOI 2025竞赛金奖。OpenAI 内部模型、Gemini Deep Think和 DeepSeek Math-V2等大模型也在不断刷新AI在奥林匹克数学竞赛的金奖成绩。技术基础、协作模式和科研规模成为AI重塑科研范式的三大维度从生物学为代表的科学智能进展可以看出，AI对科学研究的重塑是系统性的，它正在从技术基础、协作模式和科研规模三个维度，改变科学发现传统思路，“基础模型+科研智能体+自主实验室”的AI驱动科研范式逐步形成。 （一）通用模型和专用模型构建科学智能技术基础 通用基础大模型有望成为科学智能的“操作系统"。通用基础大模型可提供强大理解、推理、分析、及生成等能力，并具备全面的科学基础知识和通识储备，可帮助科研人员大幅提升了日常科研效率。同时大模型先锋企业也在不断提升基础模型的科研专业能力。Anthropic的Claude Sonnet 4.5在生命科学任务流程理解和运用方面有显著提升，并基于智能体能力基础和连接器提升了科研工具和资源的运用能力。 科研专用大模型则为垂直科研领域及其深度突破的“专用引擎”。这些模型通常通常融合了特定领域相关知识以及研究方法与经验。谷歌在科研专用大模型方面的综合实力处于全球领先，其专用模型和算法覆盖生命科学和生物学、材料学和化学、地球和气候科学、数学和基础科学等各个领域。前文提到的C2S-Scale、BioEmu、DeepGEM等也均属于此类模型。此外，由中科院联合团队研发的磐石·科学基础大模型也是基础模型与专用模型融合的有益实践。 （二）以人机协同为基础的科研智能体开始推动主动科学发现。 AI处理琐碎耗时但又不可或缺的研究环节，人类科学家对把控研究方向和评估研究成果，成为未来典型的人机协作科研模式。 随着智能体技术加速发展，AI正在从被动工具，转变为科学家的合作者甚至是主动发现者。哈佛和MIT联合推出专门为AI智能体设计的科研工具平台的ToolUniverse，包含超过600个科学工具，并兼容主流基础大模型。这有助于激发更多科研人员构建针对特定科研领域的智能体科学家。谷歌Deepmind发布的AlphaEvolve是具有编码能力的进化型AI智能体，可进行数学和计算通用算法的主动发现和自动化优化，现已应用在谷歌内部的数据中心调度、芯片设计、大模型性能优化等实际场景。上海人工智能实验室、浙江大学等联合团队提出科研智能体（Agentic Science），旨在构建一个能自主完成科研闭环的AI系统。 （三）自主实验室加速科研智能工业化、规模化和平台化 AI和机器人技术，正在将传统的、依赖人工试错的“作坊式”实验室，升级为自动化、高通量、闭环运行的“科学工厂”，并相互连接形成平台，服务整个科研生态。 国际各国高度重视自主实验室研发。MIT等美国多家科研高校和国家实验室均已建成自主实验室。英国利物浦大学的材料创新工厂（MIF） 是欧洲最先进的自主实验室之一。法国 IKTOS 实验室、瑞士 Atinary SDLabs、德国FULL-MAP 项目等也均是颇具实力的自主实验室，在化学、新材料等领域持续贡献。同时，Lila Sciences、Periodic Labs等近期获得亿级融资的国际初创企业均瞄准这一领域。与此同时，美国日前启动的《创世使命》把先进制造技术列为重要技术攻关首位，其主要目标之一也是加速打造自主实验室等新一代科研基础设施，提高AI 驱动科学发现以及工业应用转化的效率。该计划进一步将科研算力、AI 基础模型、相关数据集、以及自主实验室体系集成为科学与安全平台，作为科研智能基础设施。 国内自主实验室和科研智能平台建设全面启动。晶泰科技的AI+机器人平台已成为其的核心竞争力，中科院的“ChemBrain智能体+ChemBody机器人”和北京科学智能研究院的Uni-Lab-OS智能操作系统，也都是为了加速推动国内自主实验室的研发和推广。而中科研研发的磐石·科学基础大模型，也是国内科研智能平台的重要实践，平台可以实现对数据和模型等各类资源的管理，以及各类科研工具的调度，目前已经开始在生命科学、高能物理和力学研究领域进行应用。Al for science,science for humanity未来几年，科学智能的技术的演进速度和应用价值转化效率将随着AI 基础大模型能力的持续上涨、机器人技术的不断成熟和规模化而进一步提高。科学智能科研范式将进一步成熟、科研生态也将迎来重构与升级，AI 驱动的科研发现将涌现出更多的重大发现。Sam Altman 曾在今年红杉资本的 AI 峰会上预测 AI 大模型将在 2028 年取得接近于相对论级别的科学发现。 然而，在技术高速更新换代的同时，我们不能忽视人类作为科学发现主体在科研原创能力方面的提升、以及在科技伦理和责任方面的刷新。科学家应该始终是科学智能的尺度，确保 AI成为人类科技进化的推动者和人类文明延续的守护者。   原文作者： 腾讯研究院原文链接： https://mp.weixin.qq.com/s/K4oORANbkZrSXRJJUISnJw来源： 微信公众号

在医学的微观世界里，每一张病理切片都承载着生命的密码，每一次诊断都关乎患者的命运。病理诊断作为疾病判断的“金标准”，正迎来一场由人工智能驱动的深刻技术变革。面对病理医生培养周期长、工作负荷重的现实困境，中国科技力量以“AI大模型”为突破点，正在重塑病理诊断的传统模式。当医生因长时间显微镜工作而产生视觉疲劳时，AI系统却能保持稳定专注，在数秒内精准筛查数亿像素的病理图像，将医生从繁重的重复性任务中解放出来。从顶尖医院的自主研发，到科技企业的创新实践，当今一批具备国际水准的AI病理大模型相继涌现，它们不仅在技术上实现关键突破，更在真实临床场景中展现出显著应用潜力。这些模型各具特色：有的覆盖多癌种诊断，有的深耕特定疾病领域，有的致力于提升模型可解释性，共同构建起中国智慧诊断的新生态。下面将系统介绍十大国产AI病理大模型，探索它们如何以科技之力为人类健康贡献中国智慧。RuiPath：开源共享的先行者由上海交通大学医学院附属瑞金医院与华为公司联合开发的瑞智病理大模型（RuiPath），于2025年2月正式发布。作为临床级多模态交互式病理大模型，RuiPath基于瑞金医院数字化智慧病理科全业务流程及百万级数字病理切片数据构建，覆盖中国每年90%癌症发病人群的常见癌种，并包括垂体神经内分泌肿瘤等罕见疾病。其核心技术创新在于存算协同与多模态训练，实现秒级AI交互阅片，将单切片诊断时间从40分钟缩短至秒级。2025年7月，瑞金医院与华为宣布开源RuiPath核心“视觉基础模型”，为病理AI的广泛落地奠定基础。 SooPathAI：模拟诊断思维的融合系统苏州大学附属第一医院病理科与西湖大学联合研发的SooPathAI于2025年9月发布。该模型以“模拟医生诊断思维”为核心理念，在病理全流程融合、多模态图像理解与智能交互分析方面实现重要突破。其“筛选-导航-推理”三阶段闭环设计，复现了病理医生“低倍镜初筛-高倍镜确认-多视野综合判断”的临床推理过程。该系统已无缝集成至科室病理信息系统，可自动提取临床数据、整合全景图像AI分析结果，并生成包含病灶标记与生物标志物分析的结构化报告。DeepPathAI：多模态融合的超级助理西湖大学人工智能与生物医学影像实验室开发的DeepPathAI，于2025年4月在首届数智病理西湖峰会发布，是全球首个融合镜下视野与全场图的多模态病理大模型。该模型支持40余种癌症的诊断，能够以0.25微米精度扫描切片，在数秒内完成基础筛查并智能标记可疑病变，大幅缩减病理医生数小时的工作量。其定位为病理医生的“超级私人助理”，旨在提升诊断效率、减轻工作疲劳，并辅助识别罕见病变。PathOrchestra：视觉与语言模型的协同系统商汤医疗联合中华医学会病理学分会王哲副主委团队与清华大学何永红教授团队共同研发的PathOrchestra，于2024年7月发布，是国内首个将视觉模型与大语言模型结合的病理大模型。该模型基于国内规模最大的近30万张全切片数字病理图像数据集训练，并将其能力拓展至百余种病理临床任务。其应用系统SenseCare®消化道病理智能分析系统，通过病灶分割与异常细胞检测等算法，实现对消化道恶性病灶组织的智能分析。灵眸：诊疗级多模态模型的肿瘤学应用重庆大学附属肿瘤医院与迪安诊断旗下杭州医策科技有限公司联合发布的“灵眸”大模型，于2025年3月推出。作为诊疗级多模态病理大模型，其能精准识别九大器官的57种肿瘤亚型，涵盖乳腺癌、结直肠癌、胃癌、甲状腺癌等高发肿瘤。以胃癌为例，它可精准识别低分化腺癌、中分化腺癌、高分化腺癌、印戒细胞癌、粘液腺癌、淋巴瘤等恶性肿瘤。这一强大的识别能力，使其成为病理医生手中的有力工具，为临床诊疗提供关键支持。透彻洞察：临床应用级模型的精准实践由透彻未来研发的“透彻洞察”（Thorough Insights），是全球首个临床应用级病理大模型产品。基于亿级参数与海量高精度病理数据训练，该模型能够为病理医生提供精准、稳健且高效的诊断辅助。在实际临床应用中，其敏感度接近100%，显著降低漏诊与误诊风险。尤其在低分化肿瘤与癌前病变识别中表现优异，通过多尺度特征提取精准捕捉病变区域，在细胞形态异质性较强的情况下仍保持高准确率。兰丁思邈：融合人文关怀的智能诊断系统武汉兰丁智能医学股份有限公司推出的兰丁思邈大模型，于2025年1月发布，是该公司历时七年研发的第五代CytoBrain人工智能系统。该模型不仅覆盖十多种肿瘤的快速精准诊断，还能与医生交互、生成治疗方案，并为患者提供通俗易懂且富有人情味的电子病历，体现了技术在医疗中的人文融合。ROAM模型：胶质瘤精准诊断的专业突破清华大学自动化系生命基础模型实验室与中南大学湘雅医院合作开发的ROAM模型，其研究成果于2024年7月发表于《Nature Machine Intelligence》。该模型专注于胶质瘤的临床级诊断与分子标志物发现，采用多示例学习框架，以大尺寸组织图像块为研究单元，并利用金字塔Transformer结构提取多尺度信息，实现对胶质瘤检测、亚型分类、分级及分子特征预测等多种任务的准确诊断。    湘江轩辕：四算一体战略下的智慧医疗成果由湘江实验室主导研发的湘江轩辕病理大模型，于2025年1月发布。作为“轩辕”AI预训练系列的重要组成部分，该模型是湘江实验室“四算一体”（算力、算法、算据、算网）战略在智慧医疗领域的关键应用，致力于推动病理诊断向智能化与精准化方向发展。GTDoctor：滋养细胞疾病诊断的专项突破清华大学自动化系与郑州大学第三附属医院联合研发的GTDoctor和GTDiagnosis，于2024年7月发布，是全球首个妊娠滋养细胞疾病病理大模型与智能辅助诊断系统。该模型专门针对葡萄胎、侵袭性葡萄胎、绒癌、胎盘部位滋养细胞肿瘤等疾病，通过大量病例数据学习，辅助病理医生实现早期精准诊断、疾病分类与风险评估。在这场由AI引领的病理诊断变革中，诸多国产模型的集体崛起不仅代表技术突破，更彰显中国在智慧医疗领域的创新实力与实践关怀。从瑞金医院的开源共享到多家医院的精准攻坚，从多癌种全覆盖到罕见病专项突破，这些模型正以多元路径共同推进一个目标：使精准诊断更加可及，令医生回归医学本质。随着科技与医学的深度融合，我们见证的不仅是诊断效率的数量级提升，更是医疗资源分配方式的根本变革。这些模型正在构建一个更加公平、高效与精准的医疗未来——顶尖病理诊断能力将借助AI赋能基层，医生得以从重复劳动中解放，聚焦于复杂病例研判与患者关怀。正如显微镜的发明开启了现代医学新纪元，AI病理大模型正在谱写精准医疗的下一篇章。在这条以算法解码生命的道路上，中国创新力量已展现出前瞻视野与扎实实践。未来，随着技术持续演进与临床应用的深化，这些承载中国智慧的AI模型，必将为全球医疗进步贡献更多创新方案，以科技温度守护每一个生命的尊严。 原文作者： 衡道数字原文链接： https://mp.weixin.qq.com/s/Ga1FmKfGbRt6KkJX2JHblw来源： 微信公众号  【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

在医疗体系的隐秘腹地，藏着一支解码生命的探险队。他们不执手术刀，却用0.2毫米的切片剖开生死谜题；不直面患者，却以 400 倍显微镜丈量生命的维度。这就是病理科——现代医学的「终极审判庭」。在中国，每年近500万人被确诊为癌症。对患者而言，等待病理诊断的时间，是一场生命无声的倒计时。而在病理科，每天都在上演 “生死时速”，显微镜下的微观世界，病理医生像一束微光，在无数次放大与聚焦中，寻找答案，守护生命。病理科的“生命解码者”显微镜镜头推进，细胞染色切片的斑斓色块逐渐清晰，医院的病理科，一群“生命的解码者”日复一日凝视着微观世界的蛛丝马迹。在密密麻麻的细胞与组织间，藏着疾病的真相，也承载着生死的重量。一张切片，决定一台手术；一份报告，改写一个家庭。当病理科走廊时钟指向凌晨1点，瑞金医院病理医生揉了揉发红的双眼，“别人说我们是‘医生的医生’，但鲜少有人知道，每一份病理报告背后，都是显微镜前以小时为单位的较量。”300 张切片，300 次“悬崖审判”上午8:00，瑞金医院病理科，切片扫描仪嗡嗡作响，40位医生，单日人均处理切片 300+，疑难病例会诊耗时数天——这是中国顶级三甲医院的日常，也是病理医生的无声战场。“癌细胞的伪装术越来越高明了。有些病例的鉴别诊断，就像在上千块拼图中找出唯一错误的那一片。”正在办公桌上进行切片诊断的病理医生说道。当人工检阅遇上海量数据，医学的精密与人类的极限，在此刻轰然对撞。每次阅片，都是一场“针尖上的舞蹈”。尤其面对疑难病例，医生需要反复验证，甚至召集多方专家会诊。中国目前仅有不足2万名病理医生，远远无法满足日益增长的诊断需求。基层医院初诊符合率低，患者难以获得及时、精准的诊断。在病理领域，医生短缺、工作负荷繁重、诊断难度高，是长期存在的痛点。但借助科技的力量，这一切正在悄然改变。AI显微镜，看见人类看不见的“暗号”数字切片如星河般掠过屏幕，变革始于一场“数据革命”——基于华为OceanStor Pacific分布式存储技术，华为携手瑞金医院打造的医疗数据湖，将病理科的玻片悉数转化为数字基因，一秒千片，历史标本可保留30年，统一压缩算法，最多节省45%存储空间。病理医生正在操作平板电脑演示，“过去借调一份疑难切片需要翻遍档案室，现在输入编号，流畅阅片，癌细胞的每一丝真伪都清晰可见。”AI模型在数字切片上标记出闪烁的红圈，与医生手写报告逐行比对，基于华为DCS AI解决方案内嵌的ModelEngine点燃了瑞金病理的“第二引擎”—— “RuiPath”病理模型，AI 成为了医生的“超瞳孔”。 RuiPath病理模型是由瑞金医院在华为团队支持下研发的临床级多模态病理大模型，涵盖泛癌种视觉特征提取、视觉-语言跨层表征对齐、长序列的深度思考模型训练机制等能力，用于全流程临床病理辅助诊断，目前已覆盖中国每年全癌种发病人数90%的19个常见癌种，涵盖上百个辅助诊断任务。通过华为ModelEngine，实现数据准备、模型训推、应用编排全流程的工具化、标准化和自动化。从逐条标注变为批量审核，效率翻数倍，并保证了标注的专业性和准确性。基于ModelEngine应用工程能力，实现应用系统接口的标准化对接和病理报告模板可视化编排，单病种AI诊断应用上线周期从10天到2天。医生不再是“标注工”，而是“审核官”，当AI成为医生的“超瞳孔”，那些曾被距离、时间遮蔽的光，终于有了被量化的可能。基于华为OceanStor新一代高性能AI存储技术，结合存算协同架构（NPU直通存储技术+vNPU池化调度技术+KV Cache多级缓存技术），最终在瑞金医院仅用16张算力卡完成百万切片训练，算力利用率大幅提升。仅耗时两月，我们便训练出了一位“不知疲倦的超级病理助手”。显微镜外的生命拼图病理的本质是寻找生命的真相。而今，我们用数字化的火把，照亮那些曾被显微镜局限的黑暗角落。在玻片与像素的交界处，永不落幕的生命解码正在进行。技术有温度，微米见乾坤。