RuiPath 瑞智病理模型：从数字切片走向基层医院部署

先把公开记录摆清楚，再谈判断。2025 年 2 月 18 日，上海交通大学医学院附属瑞金医院与华为在瑞金一场论坛上发布了「瑞智病理大模型 RuiPath」，定位为临床级、多模态交互的病理模型，底座是华为的 DCS AI 解决方案。据 IT之家等报道，官方称该模型覆盖了占中国每年全癌种发病人数约 90% 的 19 个常见癌种，涵盖上百个辅助诊断任务；由病理医生整理的常用问题测试中，模型回答准确率「高达 90% 以上」，在医学考试类图文问答场景中处于国内外领先水平。这里要立刻标注一条边界：以上数字全部来自瑞金与华为的自我披露口径，既不是独立审计，也未见同行评议的临床试验报告。同一批报道还提到，RuiPath 在训练阶段「研读」了 300 余本病理诊断书籍、「阅览」约 100 万张数字切片，开发周期约两个月——这些数字同样属于厂商披露，读者需要带着这层前提去看后面所有的性能声明。

第二段发生在四个多月后。2025 年 6 月 30 日，瑞金在上海宣布把 RuiPath 中最核心的「视觉基础模型」开源，同时放出配套的多癌种测试数据集。据 TMTPOST 报道，随附的测试数据集覆盖肺、结直肠、甲状腺、胃、乳腺、前列腺、胰腺七个癌种，这被称为上海医疗机构主导的首个开源病理模型，瑞金还借此启动了「全球多中心病理模型计划」，向国际协作开放。厂商同时披露了一组工程侧数字：DCS AI 里的 ModelEngine 工具链带有 40 多个专用数据处理算子，把切片预处理从「按月」压到「按天」，训练周期缩短约 30%，推理并发翻倍。这些同样是自我披露口径，但它们描述的是工程流程，而非临床结果，性质与准确率声明不同，需要分开看待。

第三段是 2026 年 2 月 1 日。据科学网、C114 通信网等报道，华为与瑞金进一步发布了「RuiPath 智慧病理一体机」，具体是 FusionCube A1000 与 FusionCube E200 两款型号，两款面向不同规模医院的病理诊断需求，主题词很直白：医疗 AI「从三甲下基层」。一体机把模型、工具链和算力预装在一起，宣称让基层医院能够「快速部署」病理诊断能力。至此，这条路的三段清晰了：先做出一个临床级模型，再开源它的视觉底座，最后用一台预装好的盒子把它送下基层。三段的重心在逐段下移——从做出来，到放出来，到装下去。真正值得追问的，是最后这段能不能走通，而这恰恰是公开记录里最薄的一段。

很多人会把 RuiPath 归到「又一个医疗大模型」那一类里，那样就看漏了它真正的分水岭。分水岭不在模型层，而在交付层。一个能在三甲跑出 90% 准确率的病理模型，和一台能被县医院病理科开机就用的盒子，是两个不同难度的工程问题：前者是研究，后者是落地。RuiPath 的三段路，本质上是从前者向后者的迁移，而这条迁移线才是这个案例区别于寻常「AI+医疗」故事的地方。

把这台一体机想成一块「预制地基」会更清楚。盖房子最慢的环节往往落在勘探、打桩、浇筑那些看不见的底层，砌墙反而快。基层医院要用病理 AI，慢也慢在这些底层工程：切片要先数字化，要有能跑推理的算力，要有人把模型接进现有诊断流程，还要 IT 把整套东西长期维护起来。这些前置工程对一家没有专职 AI 团队的县医院来说，往往比模型本身更劝退——它们技术上未必多高深，却零散、琐碎、需要持续投入，恰恰是资源紧张的机构最难凑齐的东西。一体机做的事，就是把这套底层工程在工厂里预先备好，整块运到工地。据 C114 报道，FusionCube 型号预装了 AI 平台，主打「轻量高效部署」，让医院不必自己从零搭环境，把原本分散在多个环节的工程负担收敛成一次采购与开机。

所以这里真正新的东西，是把「部署」当成产品来做，而把「模型」退到产品的内部。开源视觉基础模型解决的是「别人能不能用上这套能力」，一体机解决的是「用不上这套能力的机构怎么才能用上」。这两步指向同一个瓶颈：中国的病理 AI 眼下缺的是让顶尖模型下沉的通路，顶尖模型本身早已不稀缺。这条通路一旦修通，顶尖病理模型才谈得上规模化，而它恰好落在 RuiPath 全部动作的公约数上。把通路当作核心产品来经营，是这个案例最该被记住的一点。

要理解基层可部署性有多难，得先看三甲自己是怎么把底子打起来的。据华为企业业务披露的瑞金 OceanStor Pacific 案例，瑞金病理科每天处理超过 300 张切片、约 40 位病理医生在岗，医院建了一个医疗数据湖，能在一秒内检索出「上千张切片」，历史标本保存可达 30 年，统一压缩算法节省约 45% 存储空间。这套底座的意义，是把病理切片变成可检索、可标注、格式一致的数字资产，这正是训练 RuiPath 的先决条件。前一节提到模型训练阅览约 100 万张数字切片，这个规模只有在切片先被数字化、被规整之后才可能喂进模型。换句话说，三甲的模型精度建在一座多年积累的数据仓库上，仓库本身不写在发布会的 PPT 里，却是全部性能数字的隐形前提。

这就引出一个容易被跳过的事实：一体机看似把地基铺好了，可这块预制底座之下还垫着更早的一层，那就是切片数字化。一台预装好模型的盒子，处理的对象是「已经是数字图像的切片」；可基层医院的现实往往是，切片还躺在玻璃片上，连数字化扫描仪都未必配齐。模型再轻，也读不了一张没有被扫描的玻璃片。三甲能跑通 RuiPath，很大程度上是因为它早在 AI 之前就花了多年把数据湖和数字化流程建了起来；基层缺的恰恰是这段看不见的前史，这段前史没法靠买一台一体机补齐。

所以「从三甲下基层」这句口号里，藏着一个不对称：下沉的是模型和算力，留在原地、没有一起下沉的是数据数字化的能力与积累。一体机能把预制好的整套工程运到工地，却没法替工地把地整平——整平地面这件事，仍然要基层自己投入扫描设备、建立切片数字化的日常流程、培训技师。这一层落差，是评估这类下沉方案时最该先问的问题：先别问模型准不准，先问接收方有没有能力把切片变成模型能读的东西。如果这个问题的答案是否定的，后面所有关于准确率的讨论都悬在空中。

值得补一句的是，数字化本身也不是买一台扫描仪就完事。全切片扫描会产出体量巨大的图像文件，瑞金那套 45% 压缩、秒级检索、30 年留存的存储底座，正是为了消化这种体量而建。基层若只买扫描仪、不配相应的存储与检索能力，数字化产生的数据同样会成为负担而非资产。这也解释了为什么三甲的病理 AI 更像一整套从扫描、存储、检索到训练、推理的链条，而不只是一个模型项目，其中任何一节的缺失，都会让下游的模型无从发力。一体机下沉的是链条的后半段，前半段仍要基层自己接上。

可部署性不只是硬件和数据的问题，还有一个更软、也更关键的维度：医生愿不愿意在诊断里采信 AI。RuiPath 在这一点上给出的机制，是把病理医生的工作方式从「逐片诊断（Slide by slide）」改成「逐步审核（Step by step）」。据 IT之家报道，过去医生要一张张切片人工找病灶，现在改为由 AI 先出结果、医生复核，单张切片的 AI 诊断时间从此前的 5 到 10 分钟压到「数秒」。这套设计的定位很明确：把 AI 放在医生上游先跑一遍，把医生放到 AI 输出的下游做把关，而不去触碰谁签字负责这条底线。

这个设计对基层的意义比对三甲更大。三甲病理医生经验足、任务重，AI 主要是提速工具；基层的痛点是初诊符合率不足、经验相对薄，AI 更像一个可参照的基线。据 C114 引用的数据，2022 年全国病理诊断需求量巨大而病理医生仅约 25.7 万人，缺口结构性存在，且分布不均、三甲任务繁重、基层初诊符合率不够。在这种结构下，AI 先跑一遍、医生再复核的模式，理论上能给基层医生一个可对照的第一版意见。但这里的「采信」是双刃的：审核模式默认医生有能力判断 AI 什么时候错，若基层医生本身经验不足，逐步审核可能悄悄退化成逐步默认，把 AI 的错误连同它的正确一起签下去。这种退化不会在任何演示里出现，它只会在真实病例的漏诊里慢慢显形。

换个角度说，人机协同的价值真正取决于复核环节是否在实打实地复核，AI 本身有多准反而是次要变量。同一套逐步审核流程，在有经验的科室里是一张安全网，在缺经验的科室里可能变成一台放大器——它会把 AI 的判断连同其中的偏差一并放大到诊断结论里。这意味着，评估基层落地时，真正该盯的是复核的有效性：有没有配套的培训、有没有让医生保持质疑 AI 的机制、有没有对复核质量本身的监测。模型在测试集上的跑分只证明模型能力，复核才决定这份能力在基层是安全落地还是带病落地。

一体机被披露的三大核心能力里，最耐人寻味的是第三项「数据飞轮」。据 C114 报道，一体机除了轻量部署、模型与数据集的安全共享，还要让「数据飞轮无感运转」，让 AI 辅助病理诊断「越用越准」。机制上不难理解：基层每用一次、每修正一次 AI 的判断，这些反馈就回流到模型迭代里，理论上模型会随部署规模的扩大而持续变好。这是把开源模型、一体机和真实诊断数据串成一个闭环的关键一环，也是整套下沉叙事里最有想象空间的部分——它把一次性的硬件交付，重新定义成一个能随时间自我强化的系统。

但「越用越准」是一个有前提的承诺，前提藏在飞轮的入口。飞轮要转，得先有高质量的反馈进来，也就是基层医生真的在复核、真的在标注哪里对哪里错，而且这些反馈的数据治理、隐私合规、跨机构流转都得先理顺。如果基层只是被动接受 AI 结果、很少纠错，飞轮拿到的就是稀薄甚至带偏的信号，转起来也未必朝更准的方向转，甚至可能把某一类系统性偏差固化进模型。数据飞轮的质量，本质上是前面几节的合集：切片数字化决定了有没有数据进来，逐步审核决定了反馈质不质，数据治理决定了这些数据能不能合规地回流。任何一环松动，飞轮就从加速器变成空转的轮子。

所以这台盒子最大的野心，和它最脆弱的假设，都压在这个飞轮上。它假设下沉不止于一锤子买卖，而要成为一个能自我强化的循环。这个假设成立与否，在发布会上是读不出来的，它只能在一年、两年后，从基层真实产生的反馈质量里显现。目前公开信息只给出了机制描述，没有给出任何一台一体机在基层跑出的飞轮效果数据——回流了多少标注、模型迭代了几版、基层版本相对初始版本准确率提升多少，这些能证明飞轮真的在转的数字，一个都没有公开。在它们出现之前，「越用越准」暂时只是一个结构合理但未被验证的承诺。

还有一个常被忽略的风险，是飞轮的方向未必总是向上。基层的病例分布、染色习惯、扫描设备与三甲存在系统性差异，如果这些差异带来的反馈没有被妥善区分，模型可能在拟合基层噪声的同时，丢掉它在三甲学到的部分能力。飞轮转得快不等于转得对，一个缺乏质控的反馈闭环，既能让模型越用越准，也能让它越用越偏。这一点在跨区域、跨机构部署时尤其要紧：同一台一体机放在两家条件迥异的基层医院，喂进去的数据质量可能天差地别，而模型看不到这种差别，只会照单全收。要让飞轮真的朝更准的方向转，光有回流通道不够，还得有人在入口处做数据质控——而这恰恰又是基层最缺的那种专业能力。

把视野拉回 2025 年 6 月那次开源，会发现它更像可部署性叙事里承重的一块，而非单纯的公关动作。据 TMTPOST 与 IT之家报道，瑞金开源的是 RuiPath 的核心视觉基础模型，外加覆盖七个癌种的测试数据集，并启动了「全球多中心病理模型计划」邀请国际协作。开源视觉底座的意义在于：别的医院、别的团队不必从零训练一个病理基础模型，可以在这个底座上做本地化微调。这等于把地基里最难浇筑的那一块，做成了公开可取的预制模块——训练一个高质量病理基础模型的算力与数据门槛极高，把它开源，相当于替下游省掉了整个最贵的工序。

工具链是另一块承重。据 IT之家披露，华为 ModelEngine 带 40 多个专用数据处理算子，把切片预处理从「按月」压到「按天」；在瑞金 OceanStor 案例里，ModelEngine 标准化了从数据准备到训练、推理的全流程，把单病种 AI 应用的上线从十天缩短到两天。工具链降低的是「从数据到可用模型」这段路的工程成本，它面向的是那些有一定技术能力、愿意自己动手做定制的机构。把开源底座、工具链、一体机三者叠起来，会看到一个逐层降门槛的结构：底座省掉重训练，工具链省掉重工程，一体机省掉重部署。三层针对的是能力各不相同的接收方，却共同指向同一个方向——让病理 AI 的落地成本一路走低。

值得点出的是，这三层降的都是研究到落地这一侧的门槛，准确率那一侧的门槛它们并没有碰。它们让「装起来」变便宜，却不直接让「更准」变容易。这与本文一以贯之的判断吻合：RuiPath 这盘棋，主要落子在部署可及性这一手，模型精度不是它的着力点。精度是三甲早已跨过的坎，部署才是基层还堵着的口。理解了这一点，就不会把开源和一体机误读成「模型又变强了」，它们真正改变的，是这份能力能走到多远、走进多少家原本够不着它的医院。

质量复核后，本文必须把医疗高风险边界前置。下文凡使用「临床级」「辅助诊断」「基层部署」等说法，均指华为、瑞金医院或媒体转述的公开口径；它们不能被读成独立同行评议、监管注册、真实基层采信率或误漏诊改善的证明。RuiPath 相关材料能证明的是产品发布、开源路径、一体机方案和若干官方披露指标；它们还不能证明基层医院真实病例中的临床有效性。

因此，这篇文章的判断只落在部署路径：华为与瑞金试图把三甲侧的模型、工具链和硬件打包，降低基层接入门槛。至于这条路是否真的改善基层诊断，要等装机量、医生采信率、复核后误诊/漏诊率、数据回流质量等指标公开后才能判断。本文不提供医疗建议，也不把任何厂商披露数字当成临床结论。

把披露的数字放到显微镜下，会看到它们证明的范围其实相当有限。「常用问题准确率 90% 以上」这个数，来自病理医生整理的常用问题测试，属于知识问答类评测，并不等于真实切片诊断的临床准确率，两者考的是不同的能力。视觉基础模型「在 12 个主流公开数据集的 14 个辅助诊断任务中，7 个达到业界领先（SOTA）」，据 IT之家等报道属实，但这是研究级证据——公开数据集上的内部测试，天然不同于在基层真实病例、真实染色差异、真实扫描质量下的表现。研究级跑分高、临床级可靠、基层级可用，是三个需要分别验证的命题，把其中一个的成绩当作另外两个的证明，是这类报道里最常见的越界。

更关键的缺口在部署侧。到目前为止，公开信息里没有任何一个关于一体机的落地数字：装了多少台、覆盖多少家基层医院、基层医生对 AI 结果的真实采信率、复核后的误诊或漏诊率、飞轮回流的数据量——这些能真正证明「可部署性」的指标，一个都没有公开。我们看到的是产品发布、能力描述和三甲侧的性能，看不到的是基层侧的采纳与效果。这句话无意指控，只是如实标注证据的边界：现有材料足以说明「他们建了什么」，不足以说明「基层用得怎么样」。这两个问题之间隔着的，正是本案例最核心、也最缺证据的那一段。

因此，对这个案例最诚实的判断是：模型侧的证据是研究级到临床级、且以自我披露为主；部署侧的证据基本为零。任何据此断言「基层病理 AI 已经跑通」的说法，都跑在了披露之前。真正能给出答案的，是一年后基层医院自己产生的采纳率与采信度数据；任何一场发布会上的跑分都替代不了这层证据。这也是为什么本文把落点放在可部署性而非精度——精度已经有证据，可部署性还只有承诺，而承诺与证据之间的距离，恰恰是基层医院的真实处境所决定的。

要看清一体机这条路的取舍，可以拿它和另一条更「纯」的下沉路对照：只把模型开源，让基层各自去部署。理论上，开源加公有云推理是成本最低、最开放的方案，想用的机构自己拉代码、租算力、接流程即可。但这条路默认接收方有能力自己把底层工程搭起来：会搭环境、有 IT、能做数据治理、能接临床系统。对一家没有专职技术团队的县医院，这些默认几乎都不成立。纯开源解决了「能不能拿到模型」这一半，剩下「拿到之后装不装得起来」那一半，它并没有碰。这正是许多医疗 AI 开源之后依然沉在三甲、下不去基层的原因：开放并不自动等于可及。

一体机走的是另一种取舍：让渡一部分开放性和灵活性，换回交付的确定性。它把环境、算力、模型、工具链打成一个封闭的盒子，代价是基层被绑定在特定硬件和厂商栈上，灵活性和议价空间随之下降；换回的是免去自建地基的工程负担，开机即用。这是一个典型的「开放与可及」权衡：纯开源更开放，一体机更可及。对基层来说，可及往往比开放更要紧，因为一套装不起来的开放系统，对基层的实际价值趋近于零，再高的开放度也无法兑现成一次真实诊断。

有意思的是，RuiPath 两条路都走了：先开源视觉底座留给有能力的机构，再用一体机兜住没能力自建的机构。这套双轨其实自洽，它承认基层从来不是铁板一块——能力强的用开源，能力弱的用盒子，两类机构被两种交付方式分别接住。对照之下，两种失败模式也就清楚了：一个只开源、不管交付的方案，会卡在三甲的实验室里跑不出去，因为没有配套交付，基层根本装不起来；一个只卖盒子、不开源的方案，会把基层锁死在单一供应商手里，日后议价与迁移都受制于人。RuiPath 的双轨，至少在结构上想同时避开这两种失败，能不能真的避开，仍要看基层那一端的落地数据。

对新加坡与 ASEAN 的医疗系统，RuiPath 的可迁移之处不在模型本身，而在它对「部署门槛」的拆解方式。ASEAN 多国同样面临病理医生稀缺、诊断资源集中在少数大城市三级医院、乡镇与离岛机构初诊能力薄弱的结构，与中国的三甲—基层落差高度相似。真正值得抄的有三点：其一，把切片数字化当成 AI 之前的一项独立工程先做好，别指望模型下沉时顺带解决，扫描设备与数字化流程要先于模型进场；其二，把「部署」做成产品，用预装、轻量、可维护的形态，把分散的工程负担收敛成一次采购，降低无技术团队机构的接入成本；其三，保留人机协同里的复核环节，并配套培训与复核质量监测，让复核真的在复核，别让它悄悄退化成对 AI 的逐步默认。

但迁移不能假设它必然成功，得先立住验证点，再盯反向信号。验证点应当盯基层的真实采纳率与医生对 AI 辅助的采信度，旗舰医院的模型准确率早已不是瓶颈，不必再盯。据此，该盯的反向信号相当具体：如果一年后出现「三甲跑得通、基层装不起来」的局面，即切片数字化跟不上、边缘算力买不起或养不起、医生因为不信任而把 AI 结果晾在一边、数据飞轮因缺乏有效反馈而转不起来，那就说明门槛并没有真正被降到基层，一体机降的只是三甲扩容的成本，基层入门那一段成本仍然原封未动。这个反向信号的价值在于它可证伪：它给出了一个具体到能被观测的失败画面，落在一个能被真实数据推翻的位置上，而不停留在一句模糊的看好或看衰。

还有一个更尖锐的触发条件是数据治理与合规。跨机构、跨境的病理数据流转若卡在隐私和监管上，飞轮的入口就会被掐断，越用越准的承诺随之落空。新加坡、马来西亚、印尼各自的健康数据法规差异不小，任何想照搬这套下沉模型的玩家，都得先把「数据能不能合规回流」这道题解开，否则数据飞轮在跨境场景里可能根本转不起来。把这些反向信号列出来，是为了给出一套可证伪的观察口径，而非唱衰：只要基层的采纳率与采信度这两个数字一直不公开，或公开后长期偏低，就应当对「病理 AI 已经下沉」这个说法保持怀疑，无论发布会上的跑分有多亮。可部署性这件事，最终不由厂商宣布，而由基层医院一台一台地投票决定。