AI醫療上的先行一步，腳下是對應用的長期“死磕”

“為什么（AI醫療產品或模型）一直在發布，臨床卻總是不應用？這是一個非常重要的問題。”

日前，在2025瑞金醫院RuiPath病理模型開源及成果發布會上，中國工程院院士、上海交通大學醫學院附屬瑞金醫院（以下簡稱“瑞金醫院”）院長寧光一開場，就直指AI+醫療落地的“病灶”。

這也就有了此次發布會的主題：將模型成果開源。

不久前，瑞金醫院攜手華為，打造了瑞金RuiPath病理大模型。醫生在RuiPath的幫助下，能夠在幾秒鐘內完成一張全視野病理切片的診斷，效率大大提升，可診斷癌癥類型覆蓋中國每年癌癥發病人數90%的19個常見癌種。

這樣的能力，他們希望能全國推廣——我國注冊病理醫生不足兩萬人，面臨著至少14萬的缺口；且大多數病理醫生集中于大城市（80%）和三甲醫院（70%），基層醫院病理診斷能力缺失。

瑞金醫院與華為決定開源RuiPath病理模型。他們希望通過開源共享共建，讓RuiPath病理模型在中國實現真正的臨床可及。

“AI走到今天，走向真正臨床應用，這是我們要跨出的非常重要的一步。”寧光說。

用華為醫療衛生軍團總裁張偉力的話說，這是長期主義和實用主義的成果。他告訴記者，在跨出開源這一步前，華為和瑞金醫院已經通過務實合作，攜手走過了3年。

一次“精心策劃的技術革命”

文章開頭寧光院士的發問，直指行業痛點——AI在醫療領域的應用喊了很多年，很多廠家也做了大大小小的許多模型，動輒是“超越人類水平”的標題，甚至頂刊論文也層出不窮，但在真實的醫院場景中，真正能大規模、全流程地用到臨床的AI仍舊鳳毛麟角。

對于上述“寧光之問”，張偉力有切身的體會。

“AI時代三要素：數據、算法、算力，但是要真正將AI應用于醫療，光有這些是不夠的。”張偉力說，AI要真正從實驗室走向臨床、在醫療等領域實現行業化落地，首先要打破“認知鴻溝”。

“就拿華為和瑞金醫院來講，華為公司有大量的AI科學家，但是他們不懂臨床的真實痛點和復雜流程；瑞金醫院大量的醫學專家，不了解AI的能力邊界和實現路徑。如果沒有了解和磨合，雙方就是‘雞同鴨講’，醫院需求和技術方案無法匹配。”張偉力說。

為了打破認知鴻溝，華為和瑞金醫院“雙向奔赴”。

“我們的AI專家深入科室，理解病理醫生從切片制作、閱片、診斷到報告的全流程；醫學專家也將幾十年的臨床知識、診斷邏輯和病理診斷全流程告訴AI專家，從而將寶貴經驗沉淀為AI可以理解的語言。”張偉力介紹說，兩股力量的團隊“天天泡在一起”，不斷創新技術、改進方案，最終設計出數據方案和算法模型。

瑞金醫院病理科主任王朝夫分享說，RuiPath病理大模型結合了AI、大數據和計算病理學的最新成果，覆蓋了疾病診斷的全生命周期，貫穿病理診斷全流程。在該模型的輔助下，病理科醫生不必在顯微鏡頭下逐個尋找病灶，只需以互動方式審核AI診斷結果，幾秒鐘內就能精準識別出病理切片中的病灶區域、完成解讀，顯著提升了診斷效率和質量。

據介紹，RuiPath病理大模型在業界12個主流公開數據集的14個下游任務測試中，有7個達到業界領先水平，并已具備臨床驗證能力。

“這樣的方案和模型，是真正‘從臨床中來，到臨床中去’的。”張偉力對記者說道，從3年前協助瑞金醫院開展數字化病理相關工作，到今天開源RuiPath病理模型，過程中雙方踏平了模型從開發到落地應用最難走的一段路，“可以說這是一次精心策劃的技術革命”。

數據準備，一步一個腳印

3年來，雙方在“數據準備”工作上下的工夫最大。

RuiPath病理大模型的誕生，離不開高質量數字化病理數據的“滋養”。然而，在數據準備階段，即便是病理切片圖像數據有著豐厚“家底”的瑞金醫院，也面臨著圖像數據量大、格式不統一、數據標注耗時長等問題，數據預處理工作無從下手。

“數字化是智慧化的基礎，”瑞金醫院病理科副主任醫師笪倩分享說，“數字切片（WSI）圖像格式不統一卻極大地阻礙了計算病理學的發展。”

 2023年起，在中華醫學會病理學分會指導下，華為團隊開始在瑞金醫院應用統一的數字病理格式（CSP）格式，將繁雜的病理切片圖像格式統一，為數據標注和模型訓練做好準備。

不過，他們還面臨一個棘手難題：一張全視野數字切片（WSI）圖像的大小跟一部高清電影差不多（GB級）。瑞金醫院擁有上百萬張數字切片，他們面對的是PB級數據的快速訪問、標注處理。

難題拋給了由華為“天才少年”、軟件工程師王帥帶領的平均年齡不足29歲的技術團隊。

王帥說，在PB級的數字病理切片面前，傳統的人工標注如同“用吸管來疏通堰塞湖”，效率太低；但如果不做好標注和優化，后續的訓練和推理，就意味著巨大的算力消耗。

“這樣的AI注定只是一個奢侈品，沒有辦法普惠大眾。”王帥帶領團隊決定革新數據工程手段，從高性能數據歸集開始做起。

基于華為積累的一批專項行業數據算子，技術團隊通過靈活編排組裝這些算子，對數據進行去重、特征提取和分級；為了深度優化對病理圖像的處理，他們還研制了專用的神經網絡，實現對病理圖像的免切分算法，將整個病理學圖像處理時間從月級壓縮到了天級。

在與病理科醫生的通力合作下，RuiPath病理大模型前后共訓練了103萬張數字病理切片。從統一格式、數據清洗，到數據標注、模型訓練、再到最后的模型精調、應用編排，華為團隊一步一個腳印，完成了對海量數字切片數據的“萃取”與“價值提煉”。

“這是一條從未有人走過的路，所以這其間對數據格式統一、對數據壓縮算法的優化、對數據管理工程化的系統調優等過程，都是極其復雜且艱辛的。”張偉力告訴記者，數據是訓練病理大模型最核心的一環，華為和瑞金醫院始終堅持著“長期主義”，不計成本、不計時間“死磕”數據，只為得到更高質量的訓練數據集。

開源，讓更多人在“最后一公里”上車

如今，瑞金醫院的病理醫生在RuiPath的協助下，閱片效率大大提升，每天能完成400張切片的診斷。

模型在手，瑞金醫院沒有孤芳自賞。甚至在寧光看來，RuiPath還沒有達到“百分之百”。為了讓模型更廣泛應用，也為了模型能夠更加完善，瑞金醫院與華為決定開源。

這在AI醫療行業內不多見的——他們不僅開源RuiPath病理模型中核心的視覺基礎模型，還開源覆蓋肺癌、結直腸癌、甲狀腺癌、胃癌、乳腺癌、前列腺癌、胰腺癌等7個常見癌種配套的測試數據集；同時，華為還對AI全流程工具鏈ModelEngine、行業落地實踐指南、相應的輔助診斷任務進行開源開放。這意味著，其他醫院或機構下載獲得視覺基礎模型和測評數據集后，就能“按圖索驥”復現RuiPath病理模型，還能使用自有數據進行模型增訓。

“我很贊嘆華為的勇氣，他們說服了我們，把模型、工具、數據集等全部開源，這其實形成了一個病理模型的應用生態。”寧光說，這將使得RuiPath病理大模型真正達到臨床可及、可用的程度，假以時日“水平可以超過任何一個病理科醫生”。

華為與瑞金醫院從合作之初就不是把這次創新當做一次科學實驗來做，他們始終在“實用主義”這條道路上堅定前行。

“華為在與瑞金醫院合作開始的第一天，就錨定做出能落地應用的模型、基層醫院用得起、能省時省力部署的模型。”張偉力說，只有降低了AI應用的門檻，才會有更多后來者“上車”。

他舉例說，在數據優化和模型訓練過程中，華為做了許多工程化的開發和改造，如開發病理學圖像的免切分算法，將病理學圖像的處理時間大大縮短；對模型參數進行蒸餾和優化，使得最終僅用16張算力卡就完成了模型的訓練等等。

發布會當天現場一位某二級醫院負責人表示，大多數醫療機構缺少專業AI人才，因此即便擁有病理數據，也難以跨越從數據處理到AI應用的技術鴻溝。此次瑞金醫院和華為開源的臨床級模型和工程化工具，基層醫院可以跳過數據準備、模型訓練、應用開發等繁瑣復雜的工作，直接在臨床應用的“最后一公里”上車，將促進病理AI輔助診斷的廣泛應用。

根深才能葉茂

當瑞金RuiPath病理大模型讓人們看到了AI的巨大潛力，同時也讓人們意識到，要使AI進入到行業生產、真正發揮價值，表面上看是需要積累和時間沉淀，但其中更重要的是，需要技術與專業知識的雙向奔赴。

“以醫療行業為例，醫療數據量大，但醫療行業的數字化并不適配AI大模型訓練的數字化，醫療機構又普遍缺乏IT和AI人才，如何將AI與醫療應用連接在一起，需要一個橋梁。”張偉力表示，華為在今年年初專門成立“華為醫療衛生軍團”，正是出于這方面的考慮。

華為成立醫療衛生軍團，本質上就是希望有一支研發力量，能幫助醫生們將他們的知識和經驗與先進的AI技術結合，沉淀為即插即用的工具、模型和應用。而這背后，源于華為一貫的長期主義和實用主義。

張偉力說，干好這件事可能需要“三年磨一劍”，也許在放射影像、慢病管理等其他場景的落地上也需要“數年磨一劍”，但只要方向正確、有價值，就值得長期堅持，“根深才能葉茂，我們會一步一個腳印，堅定不移地走下去。”