華為DCS AI解決方案，將助推AI在不同的醫院加速落地。
2025年2月18日，上海交通大學醫學院附屬瑞金醫院（以下簡稱：瑞金醫院）正式發布瑞智病理大模型RuiPath，一時吸引醫學界目光。RuiPath覆蓋了中國每年全癌種發病人數90%的常見癌種，不僅需要融合多模態數據，還要結合人群的疾病特征，從而為病理醫生提供更精準、更高效的輔助診斷支持。
“對一家醫院來講，真正的堰塞湖、真正的堵點是圖像分析?！?span style="font-weight: 600;">瑞金醫院院長寧光院士說。
在病理診斷領域，AI應用將有效緩解我國病理醫生短缺的現狀，顯著提升病理切片檢查效率和診斷準確率，為臨床治療提供更精準的決策支持。然而，要訓練專業權威的醫學大模型，并非一日之功。
病理大模型為何僅用兩個月訓練上線？
2024年11月底，華為數據存儲產品線AI解決方案首席專家王帥所在團隊接到任務——與瑞金醫院共同打造下一代病理多模態大模型。王帥帶上華為DCS AI解決方案來到現場，與醫院一起研發，僅兩個月就完成大模型訓練并上線。
然而，病理大模型在建立過程中，需要克服四大痛點：
第一，要提高病理數字化程度，數字切片的積累是構建病理大模型的基石。
第二，數據質量與共享難題。傳統病理的物理切片質量本身就存在一定的差異，而在切片數字化過程當中，由于國內外掃描儀種類繁多，加之WSI（Whole Slide Images，全視野數字切片）圖像格式標準目前也不統一，從而形成數據孤島。
第三，病理數據通?！昂艽蟆?。一張WSI病理圖像大小已經接近一部高清電影，醫院每年新增病理數據達到PB級，面臨快速訪問和存儲成本壓力。
第四，病理模型訓練所需算力高。由于GPU的GB級顯存和病理數據PB級訓練數據集之間的矛盾，醫院往往算力不足，難以高效開展海量數據集的訓練。
關于前兩個難點，瑞金醫院通過數年來建設“數字化智慧病理科”，矛盾已經逐步化解。一方面，2021年，瑞金醫院“數字化智慧病理科”建設立項，開啟病理的數字化、智能化之路，累積了數字病理切片數據庫。另一方面，為解決不同格式病理數字切片導致的數據孤島，瑞金醫院從2023年開始，啟動研制針對病理專用的CSP格式，目前已經納入上海市地方標準以及國家級團體標準相關項目立項。
針對后兩個新挑戰，瑞金醫院聯合華為，創新性實施數字化病理存儲方案，實現了全院毫秒級無卡頓病理閱片。通過存算協同模式，借助端到端的AI工具鏈（Model Engine），縮短大模型上線時間。
因此，上述痛點的克服，一方面得益于瑞金醫院4年來持續推進“數字化智慧病理科”建設，另一方面則與支撐大模型訓練的華為DCS AI解決方案密不可分。
華為DCS AI解決方案如何掃清障礙？
“病理，對我來說是一個非常陌生的領域。但是，它所面臨的行業痛點，卻又是十分熟悉的?！?span style="font-weight: 600;">王帥坦言。
第一，數據工程的問題。病理科醫生所見的每一張病理切片都是GB級，當處理上百萬張切片時，也即總共PB級的數據，同時還有數十萬份的病理報告需要進行時空對齊?！叭绻褂脗鹘y的數據工程手段，使用一個個Python腳本、工具和人工標注方式處理，效率非常低下，必須革新數據工程的手段?！?/p>
第二，圖像訓練、推理成本問題。在做圖像訓練時，如果不做任何優化，訓練一輪就要上萬的GPU hours，而到了推理階段，分析一張完整的40倍鏡下的WSI切片，需要計算上千萬的Token?！斑@樣的AI注定只是一個奢侈品，沒有辦法普惠大眾?！?/p>
第三，應用上線問題。訓練出來好的模型，并不代表有了好的應用。病理學診斷應當結合患者病史、基因組組學、分子學等多模態數據，這就要求AI系統能夠開放地對接醫院內部不同科室的不同業務信息系統，同時能夠靈活地承載不同的業務數據，靈活響應用戶需求。
能有效應對上述難題，正是DCS AI解決方案的核心價值所在。華為在數據工程上做了大量的革新，降低了80%的數據準備周期。在模型訓推上，通過長期存儲、調度引擎的創新，將資源利用率達到極致，模型的訓練周期也降低了30%，系統的吞吐提升了一倍，同時還打造了一站式的應用開發平臺，讓用戶可以實現低代碼開發、零代碼運維。
這些革新具體是怎么實現的？王帥如數家珍：
首先，在存儲層面，通過Omni-Dataverse快速建立統一的數據視圖，通過簡單配置實現高效的數據歸集，以及在不同系統之間的數據流轉。同時，瑞金醫院病理圖像采用了統一的CSP格式，壓縮率更高、讀取速度更快，從而避免了圖像多種格式在圖像處理時協議轉換帶來的開銷。
在數據治理階段，華為積累了一批專項行業數據算子，無論是數據的去重、特征提取，還是分級工作，都能夠快速找到對應的算子進行處理，并且基于數據平臺可以靈活編排組裝這些算子，進一步提升數據處理效率。
華為對病理學的圖像處理還做了深度優化?？紤]到病理圖像一般在GB級，如果不經過優化就去處理百萬級的圖像，需要耗費數月，甚至超過花費在模型訓練上的時間。為此，華為研制了專用的神經網絡，實現病理學圖像的免切分算法，將整個病理學圖像處理時間從月級壓縮到了天級，極大提升了數據的處理效率。
類似的工作，不一而足。華為DCS AI解決方案，堪比“清道夫”，幫助醫院掃清大模型落地過程中面臨的數據工程處理慢、模型/應用對接難、AI系統可用度低等障礙。
落地醫療AI應用為何要重視“數據工程”？
華為公司副總裁、數據存儲產品線總裁周躍峰認為，在人工智能的三大要素——“數據、算法、算力”中，數據的作用越來越重要。
華為公司副總裁、數據存儲產品線總裁周躍峰
事實上，在AI落地過程中，并不是有了算力、算法模型，就能夠一帆風順，還要克服很多障礙。
一是數據工程。訓練大模型的數據，一般不是原始數據，而是要做很多加工處理。這好比要讓學生能夠獲得知識、獲得成長，教材質量非常重要。而打磨教材和課程需要很長的過程。
二是模型的訓練和應用的落地。模型在訓練過程當中，怎樣能夠讓它更好地理解知識，并且能夠更好地讓這些結果反映到應用中去，需要有提示工程等，這個過程同樣漫長而復雜。
三是算力基礎設施成本高。不可能讓每一家醫院都買一堆算力來實現AI應用。今天大部分AI集群系統的利用率不到50%，意味著一半以上的時間都是徒然在消耗電力。
如何突破這些極限？華為DCS AI解決方案，恰恰為各行各業落地AI應用提供了經濟、高效的部署和訓練環境。在與瑞金醫院合作的過程中，華為DCS AI解決方案的關鍵組件Model Engine——AI全數據流程、應用對接以及模型對接的工具鏈，較好地解決了上述障礙。
作為歐拉社區開源的工具鏈，Model Engine能夠大幅提升訓推及精調過程效率，有效降低AI部署和訓練成本，加速AI落地。
周躍峰表示，華為和瑞金醫院在訓練RuiPath大模型的過程中，DCS AI解決方案變得更加成熟。它不僅是硬件，更是一整套開放性的工具鏈，可供更多醫療行業集成商使用，助推AI在不同的醫院加速落地。
“數智世界 一觸即達” 選擇華為，讓您的企業輕松數智化。
