ARTICLE · 1213337
【AI落地复盘】瑞金医院RuiPath病理大模型:单切片诊断从分钟级到秒级
摘要
2025 年 2 月，上海交通大学医学院附属瑞金医院联合华为发布临床级病理大模型 RuiPath，把病理医生"在显微镜下逐片找病灶"改为"AI 先出结构化结果、医生逐步审核"，单张切片诊断由 5—10 分钟压缩至秒级，覆盖 19 个常见癌种与 90% 日常诊断任务；2026 年 2 月转为云端订阅部署，2026 年 8 月迭代至 2.0，应用并入驻华为云专区的医院达 90 多家。
可复制性来自三点：百万级数字切片存量、把医生从"标注工"改为"审核官"的数据工程改造、本地存储与算力改为云端订阅的端云协同架构。
但全部性能数字均为研发方与厂商自报，无同行评议论文或第三方临床验证，这是推广前必须补齐的一环。
一、案例背景与原始流程
机构与场景界定
瑞金医院是上海交通大学医学院附属医院，其病理科是本项目的发起方、数据来源与知识来源。本文聚焦的业务环节只有一个：病理科对肿瘤组织切片的判读环节——即从切片完成制片、染色、扫描，到输出"有无肿瘤、组织学亚型、浸润深度、核分裂象"等结构化病理发现的过程。边界之外的部分（标本前处理、手术与放化疗决策、跨院会诊流程）不在本文讨论范围。
上线前的数字化基础
案例的起点不是零：2021 年瑞金医院开始建设数字化智慧病理科，2023 年 5 月由瑞金病理科主编发布中国首本《数字化智慧病理科建设白皮书》，此后积累百万级数字病理切片库[2][15]；2023 年 12 月已与华为数据存储产品线解决"一秒千片"的切片高并发调阅与数据缩减问题[16]。AI 上线前，这个科室的数字化已经跑完约 4 年，切片已经是数字资产，而不是待扫描的玻片。
原流程与卡点
原流程为：医生在显微镜下逐张查看切片 → 寻找病灶 → 完成诊断 → 人工录入报告[2]。三层卡点：
供给侧：全国约 3.8 万家医院中仅约 5000 家设病理科，注册病理医生不足 2 万人且约 80% 集中在一线城市三甲医院，缺口口径在"超 9 万"至"超 14 万"之间（口径差异见附录 A）[4][7][13][14]；县域医院大多不具备独立病理诊断能力，患者需跨区域求医[5]。 单例效率：一张组织切片在显微镜下诊断需 5—10 分钟，单个病例的精细观察可达数十分钟；邯郸市中心医院病理科年切片量约 15 万张、单日 600—700 张，医生长期高强度用眼[2][4][5]。 数字化基础：单张数字切片 5 年期存储成本约 1—2 元/GB，上传所需带宽成本翻倍；现有本地 PIS（病理信息管理系统）不支持数字切片管理；基层医院缺乏本地算力与算法人才；各院在制片、染色、扫描环节存在差异，导致数据异质性显著，模型难以直接跨院适用[5]。
为什么现在落地
技术条件上，瑞金医院上海市数字医学创新中心专职副主任朱立峰称，传统基于卷积神经网络的系统需要大量精细标注样本且通常只覆盖少数常见病种；引入基础模型后，仅需相对较少的标注数据，借助弱监督甚至简化标注即可泛化到更多病种与复杂场景[5]——这直接对应"医生由标注工变审核官"的组织改造[3]。
政策与支付条件上，国家卫生健康委办公厅等五部门印发《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（国卫办规划发〔2025〕30 号）[9]；2025 年 12 月 19 日国家医疗保障局发布《病理类医疗服务价格项目立项指南（试行）》，把"人工智能辅助诊断"列为病理诊断的扩展项并纳入价格构成，"为人工智能辅助诊断技术应用理顺收费路径"[10]。支付路径的存在，是把"技术能否用"变成"医院能否买"的分水岭。
成本条件上，2026 年 2 月华为云上线"行业AI梦工厂"智慧医疗专区，基层医院"只需一台数字扫描仪 + 现有消费级 PC，存储、算力、算法均在云上"[4][11]。
二、技术方案拆解
上线时间与部署方式。
数据层
数据来源为瑞金医院病理科的百万级数字病理切片库与临床文本数据，模态包含图像与文本，覆盖临床、影像、病理等多领域[2]。治理方式为使用华为 ModelEngine 工具链完成标注、训练与精调，医生从"逐条标注"改为"批量审核"，以保证标注的专业性与准确性[3]。开源环节配套提供覆盖肺癌、结直肠癌等 7 个常见癌种的测试数据集[3]。数据闭环采用"数据飞轮"：医生对 AI 结果的每一次修正回传云端驱动模型迭代[4]；医院可用不到传统训练 10% 的数据，结合本院数据开展强化学习，以适配本院的染色、切片与扫描风格[4][6]。
模型层
1.0 为多模态病理大模型，能力覆盖泛癌种视觉特征提取、视觉—语言跨层表征对齐、长序列深度思考模型训练机制[3]；按第三方模型索引平台记载，其视觉基础模型为 ViT-L/16 编码器、以 DINOv2 自监督方式在瑞金百万切片库上训练[12]。工程上使用蒸馏把通用模型能力蒸馏为 32B 参数规模的专家模型，并采用缓存技术以快速查找替代复杂的重复计算以降低推理成本，开发与部署仅用 16 卡集群完成[3]。2.0 收敛为 7B 参数，并引入病理多模态生成式模型合成训练数据，以缓解罕见病种数据稀缺[6][12]。
应用层
工作流按"AI 先出结构化结果、医生审核"设计：模型提前识别病灶区域并给出诊断，医生从"镜下逐张找病灶"转为"互动式审核 AI 诊断结果"，由"逐片诊断"升级为"逐步审核"[2]。落地形态上，医生工作站仅上传约 5% 的疑似主要特征区域到云端，云端完成推理后反馈结果[5]；在邯郸，流程为夜间数字扫描仪把当日切片转成图像、云端逐张分析并标注有无肿瘤/组织学亚型/恶性分级，次日医生到岗在双屏工作站复核确认[7]。定位为人机协同的辅助诊断，不自动签发诊断报告。
系统集成
集成目标是打通院内 PIS（病理信息管理系统）到华为云医疗 AI 使能平台[11]。公开的集成指标：单病种 AI 诊断应用上线周期由 10 天降至 2 天（依托 ModelEngine 的接口标准化对接与病理报告模板可视化编排）[3]；瑞安市人民医院"5 天完成从数字切片扫描、云端 AI 推理到病理医生工作站的端到端对接，集成周期缩短超 80%"[4]。明确阻碍为现有 PIS 不支持数字切片管理、跨院制片/染色/扫描差异造成数据异质性[5]。
权限与审计
使用主体为病理医生，AI 输出结构化发现（有无肿瘤、组织学亚型、浸润深度、核分裂象）供医生复核[6][7]；人工复核点强制设置在诊断结论之前，2.0 把可解释性做成一等输出，使医生能追溯"哪些发现导致了该判断"[6]；数据加密上传云端，基层采集须"在获得县级医院的授权下"进行[4][5]。日志与追责机制未见公开披露。本文分析认为，在"AI 标记—医生复核确认"结构下，责任主体实际落在签字医生一侧，但公开材料中没有可核验的院内制度文件、日志留存期限或算法责任条款——这属于证据缺口，不是结论。
三、实施过程与组织变化
组织与流程变化：最具体的变化发生在标注与诊断两端：标注端医生由"标注工"变"审核官"，从逐条标注改为批量审核[3]，把稀缺专家时间从数据生产端移回诊断端；诊断端工作模式由"逐片诊断"改为"逐步审核"，医生不再是搜索病灶的人，而是判断 AI 结构化发现是否成立的人[2]。基层层面，邯郸市中心医院形成"中心医院 + 县域基层"协同：县域完成扫描并加密上传、调用模型初筛，中心医院医生次日复核 AI 标记的可疑区域；并通过"流动扫描工作站"在县级医院授权下采集数据，用本地病理数据微调训练符合区域疾病谱的专属模型再反哺基层[4][5]。
阻力与应对：官方披露的四类阻力：①数据异质性导致模型难跨院通用，应对是"中心模型 + 本院微调"的两层结构[5][6]；②存储与带宽成本高（1—2 元/GB/5 年、带宽成本翻倍），应对是只上传约 5% 疑似区域[5]；③现有 PIS 不支持数字切片管理，应对是打通 PIS 到云上 AI 使能平台的接口并做报告模板可视化编排[11][3]；④基层缺算力与算法人才，应对是端云协同，云端承载主模型、端侧部署轻量模型[4][6]。本文分析认为，未被公开讨论但可推断的阻力是院内责任与考核问题：AI 参与初筛后医生的效率指标会上升，但"漏诊由谁承担"在公开材料中无任何披露。此为推断，非事实。
四、量化结果与验证
验证强度分级（本文判断）。可复核性最高：1.0 视觉基础模型在 12 个公开数据集上的评测，因数据集与权重开源、第三方可复现[3][12]。次高：国家级媒体现场报道、且机构同时确认的时间线与部署事实（发布、开源、专区上线、入驻医院数）[1][3][4][6]。最弱：全部效率类（缩短 80%、减少 70%、10 天→2 天）与成本类（首年 10%、TCO ‑40%、带宽 ‑85%）数字，均出自方案介绍或厂商新闻稿，无第三方审计，不宜作为采购唯一依据。完全缺失：瑞金本院投入与运营成本、AI 辅助前后有无前瞻性对照研究（漏诊率变化）、医生端工作负荷与满意度的量化测量。
五、深度分析：为什么这个案例能落地／卡在哪
1. 关键成功因素及其机制
不是"领导重视、数据重要"，而是三个可指认的机制。
①把稀缺专家时间从数据生产端移回结果裁决端：病理医生本身就是被稀缺的资源，传统监督学习要求其逐张标注，形成死锁；该案例用基础模型 + 弱监督把医生动作改为批量审核，再以数据飞轮让医生的修正自动成为下一轮训练信号[3][4][5]。闭环一旦成立，数据生产成本不再随规模线性上升——这是"能扩量"的机制基础。
②把能力复制与人员下沉解耦：常规解法是把医生派下去，成本高且不可持续；该方案让基层只买扫描仪，存储、算力、算法云上订阅，医生本地复核[4][11]。
③把"跨院不通用"转为两层结构：共享基础模型 + 本院强化学习微调（不到传统训练 10% 数据），邯郸据此训练出区域专属模型再反哺县域[4][5][6]。
2. 成本结构
本文分析认为，成本叙事存在一处不对称：门槛下降的数字集中在基层首次采购，而真正决定长期可行性的是"订阅费 + 云端存储与带宽 + 本地扫描与人力"的年度支出；厂商披露了首年 10% 与五年 TCO ‑40%，却未披露任何一家医院的年度实际支出与病理科收入结构，单位经济性目前无法验证。
3. 规模化障碍的具体形态
①数据割裂：不是没有数据，而是同一模型不能跨院用；邯郸以"中心模型 + 本地微调 + 反哺"应对，代价是每地维护一个本地变体，模型版本与评测口径随之碎片化[5][6]。
②系统与权限：PIS 不支持数字切片管理，需逐院打通；数据采集须获县级医院授权[5]。扩张速度由集成与授权决定，而非由算法决定——瑞安 5 天上线是集成效率的样本，本文分析认为并非普遍速度。
③评估体系缺失（最实质的障碍）：同一个"90% 准确率"在 2025-02 的语境下是问答准确率[2]，到 2026 年变成"实战准确率"[5][6]，两者从未被区分说明；第三方复核还明确指出 2.0 的架构、预训练语料、评测协议与 59 项基准任务身份均未公开，且不存在预印本、技术报告或同行评议论文[12]。口径不稳时，医院无法据此做采购与质控决策，这直接限制规模化质量。
④组织阻力：公开材料只披露技术与管理层面的阻力（数据、系统、算力、人才），未披露责任与考核层面的阻力（见第三节推断）。
4. 风险与治理
六、可复制性判断
什么条件下可复制
①有多年数字化的存量数据资产（瑞金起点是 2021 年起建设、2023 年成型的数字化智慧病理科与百万级切片库[2][15][16]），否则模型层工作量成倍上升；
②判读任务可标准化、输出高度结构化（有无肿瘤、组织学亚型、浸润深度、核分裂象），这是 2.0 把可解释性做成结构化输出的前提[6]；
③具备"中心机构 + 本地微调"两层部署能力，邯郸模式已验证该结构可行[4][5]；
④有支付路径兜底（病理类价格立项把 AI 辅助诊断纳入价格构成）[10]；
⑤人工复核被设计为强制环节，这是以"辅助诊断"名义进入生产流程的合规前提[2][7]。
什么条件下不可复制
①强监管、强责任场景（如自动签发诊断）——本案例明确停留在"辅助"层级；
②输出无法结构化的非标流程——任务无法枚举成 205 项这类清单时，"审核 AI 结果"的工作流不成立；
③数据不可得或不可出域——跨院异质性需要本地数据微调，若医院无法合法取得并授权使用本地数据，两层结构会直接崩塌[5]；
④没有中心机构承担模型责任——本案例的可复制性依附于"瑞金标准"的机构信用背书[7]；
⑤缺乏可核验的评测口径——这是本案例自身尚未跨过的门槛，也是最不应被忽略的复制前置条件[12]。
可操作建议
①把"标注工→审核官"的改造设为项目前置条件，而非落地后的优化项：参照 ModelEngine 的批量审核 + 数据飞轮，让医生的每次修正自动回传并进入下一轮迭代[3][4]；做不到这一步，迭代会重新依赖标注人力，扩量即失效。
②把评测协议写进合同，参照 1.0 开源评测的粒度：要求供应商提供可复核的评测数据集、任务清单与协议（如"12 数据集 14 任务 7 项 SOTA"的可复现形式[3]），不接受"90% 准确率"这类口径不明的结论[2][5][12]。
③用年度总支出而不是首年价格做决策：把首年 10%、五年 TCO ‑40%[4] 与扫描仪、网络改造、云端存储（1—2 元/GB/5 年）与带宽成本[5]一起折成三年现金流，再比对自建方案。
④把系统集成与数据授权当作进度控制点，而非技术细节：瑞安 5 天上线的前提是 PIS 到云平台接口打通与院内配合[4]，推广前应先完成 PIS 数字切片管理能力评估与数据授权流程。
⑤把可解释性输出列为验收项：2.0 的亚型/浸润深度/核分裂象结构化标识[6]既是医生复核效率的来源，也是未来责任界定与审计留痕的基础，验收须逐项演示而不是只看准确率。
七、结论
这个单案例改变的是一件具体的事：病理诊断的第一道筛选动作从人眼移到模型，而最终裁决权仍留在病理医生手中。在瑞金，它把单张切片诊断从 5—10 分钟压缩到秒级；在邯郸，它把组织学类型诊断准确率从 63% 提到 90% 以上，并把县域医院接入中心医院的复核体系；在瑞安，它把集成周期压到 5 天、首年支出压到数十万元量级[2][4][5]。它没有改变的是证据链：90 多家医院的应用规模是真的[6]，但"准确率超 90%"的口径在不同年份指向不同含义[2][5]，2.0 的性能数字至今没有同行评议论文或独立临床验证支撑[12]，瑞金与基层医院的实际年度支出也未公开。因此结论是：它在"AI 进入医疗生产流程"上完成了组织与工程层面的可行性验证，但尚未完成临床证据层面的可行性验证。前者可以照抄，后者必须自己补。
参考文献
来源清单
《让病理结果又快又好，瑞金医院携手华为发布瑞智病理大模型RuiPath》，瑞金医院官网"瑞金新闻"，2025-02-18。https://www.rjh.com.cn/2018RJPortal/main/rjcz/rjxw/index_5.shtml ；院刊第670期PDF：https://shdmic.com/2018RJPortal/uploadfiles/202506/12/2025061209142589235100.pdf 《瑞金医院携手华为发布病理大模型RuiPath 2个月读片百万准确率超90%》，人民网上海频道（转载解放日报），2025-02-19。http://sh.people.com.cn/n2/2025/0219/c134819-41140665.html 《瑞金医院联合华为开源RuiPath病理模型，加速行业智能化落地》，华为官网新闻，2025-06-30。https://www.huawei.com/cn/news/2025/6/data-storage-ruipath 《从"跨省寻病理"到"县域可诊断" 医疗AI下沉基层破解看病难》，新华网，2026-06-16。http://www.news.cn/tech/20260616/b6eaf975fca74027a78c2e837780b1f7/c.html 《瑞金病理大模型联手华为云 覆盖20多家各级医院》，人民网上海频道（转载解放日报），2026-06-08。http://sh.people.com.cn/n2/2026/0608/c176737-41604520.html 《瑞金医院联合华为云发布瑞智病理大模型RuiPath 2.0》，新华网，2026-08-31。http://www.xinhuanet.com/tech/20260831/c1e81084ee504448a9a1db9d8aeee7ad/c.html 《瑞智病理大模型RuiPath 2.0为癌症早诊提供智能判断》，人民网经济·科技频道（转载科技日报），2026-09-14。http://finance.people.com.cn/n1/2026/0914/c1004-40797974.html 《瑞智病理大模型RuiPath 2.0为癌症早诊提供智能判断》，国家科技传播中心（中国科协），2026-09-14。https://www.ncsti.gov.cn/kjdt/kjrd/yyjk_kjrd/202609/t20260914_256048.html 《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》，国家卫健委办公厅等五部门，2025-11-04，文号：国卫办规划发〔2025〕30号。https://www.gov.cn/zhengce/zhengceku/202511/content_7047018.htm 《病理类医疗服务价格立项指南发布 AI辅助诊断"有价可循"》，国家医疗保障局（新华社报道），2025-12-19。https://www.nhsa.gov.cn/art/2025/12/19/art_14_19086.html ；https://www.gov.cn/lianbo/bumen/202512/content_7052255.htm 智慧医疗专区／行业AI梦工厂，华为云官网（无发布日期）。https://www.huaweicloud.com/ai/medical.html RuiPath 2.0 模型条目，bio.rodeo（第三方模型索引平台），标注发布时间 2026-08。https://bio.rodeo/models/ruipath-2 《2016—2019年对31个省市自治区3831家医院病理科现状的调查与思考》（中华医学会病理学分会，原始报告2020年）——转引来源，未获取原始报告全文与报告编号。转述报道：https://news.qq.com/rain/a/20260602A05W2O00 《病理医生》（引卞修武院士），健康时报（人民网刊载），2019-07-16。http://paper.people.com.cn/jksb/html/2019-07/16/content_1938056.html 《病理大模型"瑞智"单切片诊断仅需数秒》，健康报网（国家卫健委主管），2025-03-06。https://jkb.com.cn/news/technology/2025/0306/501330.html 瑞金医院技术成果页（"一秒千片"切片调阅），瑞金医院官网，2023-12-13。https://www.rjh.com.cn/2018RJPortal/doc/2023/12/13/65937.shtml
未获取到可靠公开数据的信息：瑞金医院项目投入金额、算力与数据治理成本、年度运维成本；单次推理成本与云端订阅定价；AI 辅助前后的对照研究结果（漏诊率/误诊率变化、前瞻性多中心验证）；幻觉率与错误类型分布；责任划分、日志留存与追责的院内制度文件；医生端工作负荷与满意度的量化测量；华为云智慧医疗专区页面的发布日期。
