與部署實(shí)戰(zhàn))
華為云聯(lián)合瑞金醫(yī)院發(fā)布瑞智病理大模型 RuiPath 2.0這標(biāo)志著病理 AI 正式從“單點(diǎn)工具”進(jìn)入“系統(tǒng)化平臺(tái)”階段。很多人以為病理大模型的難點(diǎn)只是算法但臨床病理科的實(shí)際情況要復(fù)雜得多一張全切片病理圖像的分辨率往往達(dá)到億級(jí)像素單文件可能超過 1GB標(biāo)注依賴資深醫(yī)生不同醫(yī)院的染色條件和掃描設(shè)備也不一致。發(fā)布一個(gè)模型只是第一步真正決定系統(tǒng)能否長(zhǎng)期運(yùn)轉(zhuǎn)的是數(shù)據(jù)管理、算力調(diào)度、推理服務(wù)、評(píng)估回滾、隱私安全和科室工作流之間的配合。這篇文章從工程視角拆解病理大模型落地鏈路并以華為云 CCE 和華為云 Stack 場(chǎng)景為例給出一套可復(fù)現(xiàn)的推理服務(wù)搭建思路。適合醫(yī)療 AI 平臺(tái)工程師、病理信息化團(tuán)隊(duì)和數(shù)據(jù)科學(xué)家閱讀學(xué)完后能圍繞模型文件設(shè)計(jì)出完整的部署、驗(yàn)證和運(yùn)維體系。1. 病理大模型解決的不是“識(shí)別一張圖”而是“重建一條診斷鏈路”1.1 從單任務(wù)模型到大模型病理 AI 的邊界發(fā)生了變化早期病理 AI 以單癌種單任務(wù)為主比如只識(shí)別某個(gè)淋巴結(jié)區(qū)域是否發(fā)生轉(zhuǎn)移或者只分割某一種腺體。實(shí)現(xiàn)方式通常是把 WSI 切成小塊再用分類網(wǎng)絡(luò)逐個(gè)預(yù)測(cè)。這種方案門檻低但問題很突出一個(gè)模型只解決一個(gè)問題染色條件不同、掃描儀不同、醫(yī)院不同性能就可能下降。因?yàn)槟Ｐ蛷那袎K中學(xué)到的大多是顏色和紋理統(tǒng)計(jì)特征而不是病理學(xué)意義上的結(jié)構(gòu)上下文。大模型路線則不同。RuiPath 2.0 所屬的病理大模型一般會(huì)在大規(guī)模病理圖像上先做預(yù)訓(xùn)練讓模型學(xué)習(xí)通用的病理視覺表示再通過少量標(biāo)注數(shù)據(jù)適配癌種識(shí)別、組織分割、突變預(yù)測(cè)等具體任務(wù)。這個(gè)邏輯與自然語言處理大模型相似先用海量數(shù)據(jù)學(xué)會(huì)通用規(guī)律再在具體任務(wù)上微調(diào)。對(duì)技術(shù)團(tuán)隊(duì)來說這種轉(zhuǎn)變意味著兩件事第一模型參數(shù)量和計(jì)算量變大不能再指望單機(jī)腳本扛住全部推理第二模型不再是靜態(tài)產(chǎn)物它需要根據(jù)新數(shù)據(jù)、新任務(wù)和醫(yī)生反饋持續(xù)更新所以后端必須配套模型版本管理、數(shù)據(jù)版本管理和可回滾的推理服務(wù)。理解這一點(diǎn)很重要。病理醫(yī)生最終看到的不是模型內(nèi)部的高維向量而是“某個(gè)坐標(biāo)區(qū)域?yàn)槭裁幢慌袨殛栃浴薄爸車袤w結(jié)構(gòu)是否支持這個(gè)結(jié)論”“需不需要考慮罕見亞型”。如果系統(tǒng)只返回一個(gè)概率價(jià)值非常有限。常見做法是把模型輸出與切片坐標(biāo)、形態(tài)學(xué)特征和結(jié)構(gòu)化報(bào)告結(jié)合形成輔助診斷鏈路。不同模型具體怎么實(shí)現(xiàn)不一定相同但“重建診斷鏈路”是所有病理大模型應(yīng)用都要面對(duì)的方向。1.2 數(shù)據(jù)、模型、平臺(tái)和應(yīng)用四個(gè)層次缺一不可病理大模型落地時(shí)至少涉及四個(gè)技術(shù)層次。數(shù)據(jù)層包括病理切片文件、診斷報(bào)告、隨訪結(jié)果和標(biāo)注數(shù)據(jù)。它是整個(gè)系統(tǒng)的基礎(chǔ)。病理切片格式多樣常見有 .svs、.ndpi、.mrx 等必須統(tǒng)一為平臺(tái)可讀的格式。報(bào)告中還包含自然語言診斷結(jié)論可以用來訓(xùn)練多模態(tài)模型或建立知識(shí)檢索。表示層指模型本身包括視覺編碼器、多模態(tài)對(duì)齊層和下游任務(wù)頭。預(yù)訓(xùn)練模型權(quán)重通常很大推理時(shí)需要 GPU 和專門的推理框架。這個(gè)層次要解決的問題是模型的輸入輸出格式是什么推理時(shí)間是毫秒級(jí)還是秒級(jí)單卡能承載多少并發(fā)。平臺(tái)層解決調(diào)度問題。模型推理服務(wù)需要以容器方式運(yùn)行在 Kubernetes 集群上由 CCE 或華為云 Stack 提供 GPU 調(diào)度、彈性伸縮和日志采集。平臺(tái)層還要負(fù)責(zé)權(quán)限控制、限流和審計(jì)保證醫(yī)院內(nèi)網(wǎng)環(huán)境下的安全合規(guī)。應(yīng)用層是最終面向醫(yī)生的界面包括切片瀏覽、結(jié)果疊加、報(bào)告生成和人工修正。應(yīng)用層設(shè)計(jì)要符合病理醫(yī)生閱片習(xí)慣不能把內(nèi)部接口結(jié)果直接暴露給醫(yī)生。四層缺一不可。傳統(tǒng)項(xiàng)目容易只做第二層把模型文件發(fā)給信息科卻忽略數(shù)據(jù)規(guī)范、容器平臺(tái)和醫(yī)生工作流最終上線后無法維護(hù)。1.3 工程團(tuán)隊(duì)要承擔(dān)什么職責(zé)病理大模型的落地需要多角色協(xié)作。數(shù)據(jù)工程師負(fù)責(zé)把歷史 WSI 處理成訓(xùn)練和測(cè)試數(shù)據(jù)集同時(shí)做好患者隱私脫敏。算法工程師負(fù)責(zé)預(yù)訓(xùn)練、微調(diào)、評(píng)估和模型導(dǎo)出。平臺(tái)工程師負(fù)責(zé)構(gòu)建鏡像、編寫部署清單、配置監(jiān)控告警。病理醫(yī)生負(fù)責(zé)定義臨床問題、標(biāo)注金標(biāo)準(zhǔn)和審核模型輸出。只有把這幾類工作放到同一條流水線里才能形成數(shù)據(jù)回流和模型迭代閉環(huán)。2. 部署前先想清楚你需要的是一套推理平臺(tái)不是一個(gè)模型文件2.1 病理大模型部署的典型架構(gòu)一個(gè)可用的病理大模型推理平臺(tái)調(diào)用鏈通常是切片存儲(chǔ)、預(yù)處理服務(wù)、GPU 推理服務(wù)、應(yīng)用網(wǎng)關(guān)、醫(yī)生工作臺(tái)、審計(jì)系統(tǒng)。切片存放在分布式存儲(chǔ)或?qū)ο蟠鎯?chǔ)中預(yù)處理服務(wù)負(fù)責(zé)把 WSI 切成 tile推理服務(wù)接收 tile 并返回結(jié)構(gòu)化結(jié)果醫(yī)生工作臺(tái)負(fù)責(zé)展示并記錄人工修改。在學(xué)習(xí)和單機(jī)驗(yàn)證階段可以把鏈路簡(jiǎn)化為一個(gè) Python 腳本。但進(jìn)入醫(yī)院環(huán)境后容器化幾乎是必選方案。原因有四GPU 資源需要統(tǒng)一調(diào)度不能綁定某臺(tái)物理機(jī)。多個(gè)模型版本需要并行灰度不能停機(jī)替換。醫(yī)院白天門診存在并發(fā)峰值推理服務(wù)需要彈性擴(kuò)容。日志、監(jiān)控、權(quán)限和審計(jì)需要統(tǒng)一平臺(tái)管理。華為云 CCE 正好覆蓋這些需求。它提供了容器集群、GPU 節(jié)點(diǎn)池、負(fù)載均衡和監(jiān)控能力適合承載模型推理服務(wù)。2.2 學(xué)習(xí)環(huán)境與生產(chǎn)環(huán)境的差異要提前拉開很多團(tuán)隊(duì)先用開發(fā)機(jī)跑通模型然后直接去生產(chǎn)環(huán)境部署結(jié)果在鏡像、依賴、存儲(chǔ)和權(quán)限上反復(fù)踩坑。下面是兩類環(huán)境的典型差異項(xiàng)目學(xué)習(xí)驗(yàn)證環(huán)境醫(yī)院生產(chǎn)環(huán)境數(shù)據(jù)規(guī)模幾十張 WSI本地磁盤全院多年切片TB 到 PB 級(jí)GPU 資源單卡即可多節(jié)點(diǎn) GPU 集群預(yù)留峰值部署方式單機(jī) Docker 或腳本華為云 CCE 或華為云 Stack 容器平臺(tái)模型更新手動(dòng)替換文件灰度發(fā)布、版本回滾權(quán)限控制開發(fā)人員可訪問按角色細(xì)粒度審計(jì)監(jiān)控基本日志延遲、成功率、隊(duì)列深度、資源告警隱私合規(guī)脫敏數(shù)據(jù)院內(nèi)私有化數(shù)據(jù)不出域如果選擇華為云 Stack 做私有化部署要提前查閱對(duì)應(yīng)版本的部署文檔確認(rèn) Kubernetes 版本、GPU 驅(qū)動(dòng)、容器網(wǎng)絡(luò)和存儲(chǔ)類型是否一致。開發(fā)機(jī)上驗(yàn)證過的 CUDA 版本并不能直接等同于生產(chǎn)鏡像版本很多容器啟動(dòng)失敗都源于基礎(chǔ)鏡像與驅(qū)動(dòng)不匹配。2.3 最小工程目錄設(shè)計(jì)建議按下面的目錄組織代碼和部署文件pathology-inference/ ├── docker/ │ ├── Dockerfile │ └── requirements.txt ├── kubernetes/ │ ├── deployment.yaml │ └── service.yaml ├── src/ │ ├── api.py │ ├── preprocess.py │ └── model_loader.py ├── models/ │ └── mock_model.pt └── tests/ ├── test_api.py └── test_preprocess.pydocker目錄放置鏡像構(gòu)建文件kubernetes目錄放置部署清單src目錄放推理服務(wù)源碼models目錄只放用于驗(yàn)證的 demo 權(quán)重真實(shí)環(huán)境建議把權(quán)重放到對(duì)象存儲(chǔ)或模型倉庫通過掛載方式加載避免每次發(fā)布重新打鏡像。3. 在華為云 CCE 上部署病理模型推理服務(wù)示例3.1 準(zhǔn)備模型文件與容器鏡像下面示例使用一個(gè) mock 模型演示完整流程真實(shí)項(xiàng)目需要替換為訓(xùn)練好的權(quán)重。Dockerfile 編寫如下FROM nvcr.io/nvidia/pytorch:23.10-py3 WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY src/ ./src/ COPY models/ ./models/ ENV MODEL_PATH/app/models/mock_model.pt ENV DEVICEcuda EXPOSE 8000 CMD [uvicorn, src.api:app, --host, 0.0.0.0, --port, 8000]requirements.txt 可以這樣寫fastapi0.111.0 uvicorn[standard]0.30.1 openslide-python1.3.1 pydantic2.7.1示例里把模型文件復(fù)制進(jìn)鏡像是為了快速演示。生產(chǎn)環(huán)境建議讓鏡像保持“代碼不可變”模型文件通過 ConfigMap 之外的持久卷或模型倉庫加載這樣更新權(quán)重時(shí)不需要重新構(gòu)建整個(gè)鏡像。3.2 病理推理 HTTP 服務(wù)接口使用 FastAPI 實(shí)現(xiàn)一個(gè)最小推理接口包含健康檢查和推理兩個(gè)端點(diǎn)# src/api.py from typing import List from fastapi import FastAPI from pydantic import BaseModel app FastAPI(titlepathology-inference) class TileItem(BaseModel): tile_id: str image_base64: str class InferRequest(BaseModel): items: List[TileItem] threshold: float 0.5 class InferResponse(BaseModel): results: List[dict] model_version: str class MockPathologyModel: def predict_batch(self, tiles): results [] for t in tiles: results.append({ tile_id: t.tile_id, pred_class: tumor, confidence: 0.82, }) return results model MockPathologyModel() app.get(/health) def health(): return {status: ok} app.post(/v1/infer, response_modelInferResponse) def infer(req: InferRequest): # 真實(shí)項(xiàng)目中這里需要完成 base64 解碼、歸一化、模型推理和后處理 results model.predict_batch(req.items) return InferResponse(resultsresults, model_versionmock-1.0)接口設(shè)計(jì)需要關(guān)注三點(diǎn)。第一輸入使用tile_id而不是完整切片路徑因?yàn)椴±砬衅募粦?yīng)直接暴露給外部調(diào)用方。第二圖片傳輸采用 base64 字符串適合內(nèi)部服務(wù)間小批量傳輸?shù)⒁庹?qǐng)求體大小限制。第三模型加載要在進(jìn)程啟動(dòng)時(shí)完成不能每次請(qǐng)求都重新加載權(quán)重。3.3 編寫 Kubernetes 部署清單創(chuàng)建 Deployment 和 ServiceapiVersion: apps/v1 kind: Deployment metadata: name: ruipath-inference namespace: medical-ai spec: replicas: 1 selector: matchLabels: app: ruipath-inference template: metadata: labels: app: ruipath-inference spec: containers: - name: inference image: registry.example.com/pathology/ruipath-inference:latest ports: - containerPort: 8000 name: http env: - name: MODEL_PATH value: /app/models/mock_model.pt - name: DEVICE value: cuda resources: limits: nvidia.com/gpu: 1 requests: cpu: 2 memory: 8Gi readinessProbe: httpGet: path: /health port: http initialDelaySeconds: 10 periodSeconds: 5apiVersion: v1 kind: Service metadata: name: ruipath-inference namespace: medical-ai spec: selector: app: ruipath-inference ports: - port: 80 targetPort: 8000配置里有兩個(gè)關(guān)鍵點(diǎn)resources.limits聲明了需要一張 GPU調(diào)度器會(huì)把 Pod 調(diào)度到有 GPU 的節(jié)點(diǎn)readinessProbe用/health做就緒檢查避免流量打到尚未加載完模型的 Pod 上。3.4 執(zhí)行部署并驗(yàn)證先創(chuàng)建命名空間再應(yīng)用清單kubectl create namespace medical-ai kubectl apply -f kubernetes/deployment.yaml kubectl apply -f kubernetes/service.yaml kubectl rollout status deployment/ruipath-inference -n medical-ai kubectl get pods -n medical-ai -o wide查看 Service 地址kubectl get svc -n medical-ai然后發(fā)送推理請(qǐng)求curl -X POST http://service-ip/v1/infer \ -H Content-Type: application/json \ -d { items: [ { tile_id: case_001_tile_0_0, image_base64: base64字符串 } ], threshold: 0.5 }正常返回結(jié)果如下{ results: [ { tile_id: case_001_tile_0_0, pred_class: tumor, confidence: 0.82 } ], model_version: mock-1.0 }這里的部署流程只是驗(yàn)證服務(wù)鏈路真實(shí)病理業(yè)務(wù)還需要接入切片讀取和預(yù)處理模塊。4. 病理切片預(yù)處理和推理接口不能照搬通用圖像接口4.1 WSI 不是普通圖像普通圖像識(shí)別任務(wù)通常把整張圖縮放到固定尺寸但病理 WSI 無法這樣做。一張 40 倍物鏡下的 WSI 可能包含幾十億像素直接縮放到 224×224 會(huì)丟失幾乎所有細(xì)胞結(jié)構(gòu)信息。因此推理前必須把 WSI 切成合適大小的 tile再分批送入模型。讀取 WSI 推薦使用 OpenSlide它支持多種格式并能按不同分辨率層級(jí)讀取import openslide wsi_path case_001.svs slide openslide.OpenSlide(wsi_path) level_count slide.level_count level_dimensions slide.level_dimensions print(level_count, level_dimensions) tile_size 512 overlap 64 for x in range(0, slide.dimensions[0], tile_size - overlap): for y in range(0, slide.dimensions[1], tile_size - overlap): tile slide.read_region((x, y), 0, (tile_size, tile_size)).convert(RGB) # 這里將 tile 交給預(yù)處理或直接送入模型read_region在切片邊緣會(huì)返回黑色背景需要根據(jù)坐標(biāo)判斷是否為有效區(qū)域。不要使用PIL.Image.open直接讀取 WSI那會(huì)內(nèi)存溢出或超時(shí)。4.2 tile 切塊參數(shù)不是越大越好切塊參數(shù)直接影響顯存占用和推理質(zhì)量。常見參數(shù)如下參數(shù)含義建議初始值影響tile_size切塊邊長(zhǎng)256-1024太小上下文不足太大顯存壓力大overlap相鄰切塊重疊像素0-128減少邊緣遺漏但增加計(jì)算量level分辨率層級(jí)0 或 10 細(xì)節(jié)最多但速度慢1 速度快但細(xì)節(jié)少batch_size每次推理數(shù)量8-64影響吞吐和顯存占用建議先在小數(shù)據(jù)集上做壓測(cè)找到一個(gè)“顯存不溢出、速度可接受、醫(yī)生認(rèn)可”的組合。不要照搬公開論文里的參數(shù)因?yàn)椴煌t(yī)院的切片大小和設(shè)備差異很大。4.3 推理結(jié)果要結(jié)構(gòu)化病理推理服務(wù)不能只返回一個(gè)類別名。建議輸出包含坐標(biāo)、類別、置信度和版本信息{ results: [ { tile_id: case_001_level0_x0_y0, coord: {x: 0, y: 0}, pred_class: tumor, confidence: 0.87 } ], model_version: ruipath-2.0-mock }后處理階段還需要考慮置信度閾值和區(qū)域合并。低置信度區(qū)域不要直接丟棄可以選擇標(biāo)記為“待醫(yī)生確認(rèn)”。這樣模型結(jié)果才不會(huì)給病理醫(yī)生造成“機(jī)器已經(jīng)下了結(jié)論”的錯(cuò)覺。5. 模型評(píng)估與臨床驗(yàn)證技術(shù)指標(biāo)不等于臨床價(jià)值5.1 離線評(píng)估指標(biāo)要圍繞臨床場(chǎng)景選擇模型評(píng)估不能只看整體準(zhǔn)確率。病理任務(wù)經(jīng)常面臨類別不均衡例如絕大多數(shù) tile 是正常組織只有少量 tile 是病變區(qū)域。如果只看準(zhǔn)確率模型可以“全部預(yù)測(cè)正常”也得到很高分?jǐn)?shù)。推薦使用以下指標(biāo)指標(biāo)說明適用場(chǎng)景AUC區(qū)分正負(fù)樣本的能力初步篩選模型F1-score精確率和召回率的調(diào)和平均不均衡分類敏感度陽性樣本查全率腫瘤篩查特異度陰性樣本查全率控制假陽性平均精確率不均衡場(chǎng)景下的查準(zhǔn)表現(xiàn)可疑區(qū)域排序敏感度和特異度一定要一起看。病理輔助系統(tǒng)如果漏檢后果嚴(yán)重如果假陽性過多醫(yī)生會(huì)被大量無效告警干擾最終放棄使用。5.2 數(shù)據(jù)劃分必須按患者維度切分訓(xùn)練集、驗(yàn)證集和測(cè)試集必須按患者劃分不能按 tile 隨機(jī)劃分。同一患者的多個(gè)切片之間高度相關(guān)如果同一個(gè)患者的切片既出現(xiàn)在訓(xùn)練集又出現(xiàn)在測(cè)試集模型效果會(huì)被嚴(yán)重高估。一個(gè)簡(jiǎn)單的按患者劃分示例patients sorted(set(annotations[patient_id])) train_patients patients[: int(len(patients) * 0.7)] valid_patients patients[int(len(patients) * 0.7): int(len(patients) * 0.85)] test_patients patients[int(len(patients) * 0.85):]真實(shí)項(xiàng)目還要考慮醫(yī)院和掃描儀維度。最好使用多中心數(shù)據(jù)驗(yàn)證至少要有外部驗(yàn)證集否則模型換一個(gè)環(huán)境后很容易性能崩塌。5.3 從技術(shù)驗(yàn)證到臨床試點(diǎn)要分步走模型在測(cè)試集上表現(xiàn)好不代表能在科室直接使用。建議按以下順序推進(jìn)離線回放用歷史切片跑一遍對(duì)比模型結(jié)果與原始報(bào)告。雙盲自評(píng)讓病理醫(yī)生在不看模型結(jié)果的情況下重新判讀再對(duì)比。人機(jī)協(xié)同醫(yī)生先看模型結(jié)果再給出最終診斷。試點(diǎn)運(yùn)行選擇少量病種記錄醫(yī)生使用反饋和修改次數(shù)。注意不要用訓(xùn)練集樣本做驗(yàn)證按患者劃分后再進(jìn)入多中心驗(yàn)證。整個(gè)過程要保留完整記錄包括模型版本、切片標(biāo)識(shí)、醫(yī)生修改結(jié)果和耗時(shí)。這些數(shù)據(jù)是后續(xù)模型迭代的重要依據(jù)。6. 病理大模型上線后的運(yùn)維與安全6.1 模型版本管理不能靠文件名區(qū)分模型文件一多靠文件名區(qū)分必然出錯(cuò)。推薦在模型倉庫中記錄以下信息字段示例說明模型名稱ruipath-2.0業(yè)務(wù)模型名版本號(hào)v2.0.1語義化版本權(quán)重哈希sha256:abc123...確保文件完整性訓(xùn)練數(shù)據(jù)范圍2020-2024 多中心數(shù)據(jù)來源評(píng)估結(jié)果AUC 0.95關(guān)鍵指標(biāo)發(fā)布時(shí)間2025-06-01可追溯推理服務(wù)啟動(dòng)時(shí)應(yīng)該打印加載的模型版本并在響應(yīng)中返回model_version字段。這樣醫(yī)生或前端發(fā)現(xiàn)異常時(shí)能快速定位是哪個(gè)版本產(chǎn)生的輸出。6.2 監(jiān)控與告警要覆蓋業(yè)務(wù)和技術(shù)指標(biāo)GPU 推理服務(wù)的監(jiān)控不能只看 CPU 和內(nèi)存還要關(guān)注推理延遲、隊(duì)列長(zhǎng)度和 GPU 利用率。建議采集以下指標(biāo)指標(biāo)告警建議說明推理成功率低于 99% 告警服務(wù)是否可用P95 推理延遲超過 5 秒告警醫(yī)生等待體驗(yàn)GPU 利用率持續(xù)低于 20% 提示資源是否浪費(fèi)隊(duì)列深度超過 100 告警是否要擴(kuò)容顯存占用超過 90% 告警是否可能 OOM日志中要記錄每次請(qǐng)求的tile_id、耗時(shí)、模型版本和返回碼。不要只在異常時(shí)打日志正常的慢請(qǐng)求也需要記錄因?yàn)楫惓Ｍ鶑暮臅r(shí)突增開始。6.3 數(shù)據(jù)隱私與訪問控制病理切片包含患者隱私生產(chǎn)環(huán)境必須控制訪問邊界。切片文件不應(yīng)該掛在所有人都能訪問的共享目錄上建議通過對(duì)象存儲(chǔ)的簽名 URL 或后端服務(wù)做代理訪問。私有化部署場(chǎng)景下華為云 Stack 可以保證數(shù)據(jù)不出院但應(yīng)用層權(quán)限設(shè)計(jì)仍然要做細(xì)。醫(yī)生、技術(shù)人員、管理員應(yīng)具有不同角色重要操作例如導(dǎo)出結(jié)果、修改模型配置必須審計(jì)。推理服務(wù)也應(yīng)限制來源 IP只允許內(nèi)網(wǎng)醫(yī)生工作臺(tái)和預(yù)處理服務(wù)訪問。注意不要在日志中輸出患者姓名、住院號(hào)等明文隱私信息日志里只保留脫敏后的樣本編號(hào)。7. 常見問題排查從鏡像啟動(dòng)到推理超時(shí)7.1 容器啟動(dòng)后立即退出現(xiàn)象常見原因檢查方式處理建議Pod 一直 CrashLoopBackOff模型路徑不存在kubectl logs確認(rèn)MODEL_PATH與鏡像內(nèi)文件一致啟動(dòng)時(shí)缺依賴requirements 未安裝全kubectl logs進(jìn)入容器檢查 pip list端口未監(jiān)聽啟動(dòng)命令錯(cuò)誤kubectl exec內(nèi)執(zhí)行 curl檢查 CMD 參數(shù)和 uvicorn 配置鏡像啟動(dòng)失敗十有八九是文件路徑和啟動(dòng)命令問題。建議先本地用docker run驗(yàn)證再推到集群。7.2 GPU 不可用或 CUDA 報(bào)錯(cuò)現(xiàn)象是推理請(qǐng)求返回CUDA error: no kernel image is available。常見原因是容器沒有掛載 GPU或基礎(chǔ)鏡像的 CUDA 版本與宿主機(jī)驅(qū)動(dòng)不兼容。在容器里執(zhí)行nvidia-smi如果命令不存在或報(bào)錯(cuò)先檢查宿主機(jī)驅(qū)動(dòng)是否正常再確認(rèn)集群是否安裝了 NVIDIA Device Plugin。然后檢查 Deployment 的resources.limits是否包含nvidia.com/gpu不要只寫limits.memory。7.3 推理超時(shí)和顯存溢出常見場(chǎng)景是多個(gè)醫(yī)生同時(shí)打開切片預(yù)處理線程把大量 tile 一次性送入模型GPU 顯存不夠直接 OOM。解決方案有三個(gè)方向降低 batch_size。對(duì) tile 隊(duì)列做限流。推理服務(wù)副本數(shù)擴(kuò)容。如果單張 WSI 預(yù)處理時(shí)間過長(zhǎng)可以增加緩存層把已經(jīng)切好的 tile 緩存在對(duì)象存儲(chǔ)中避免同一張切片反復(fù)預(yù)處理。7.4 模型輸出和醫(yī)生預(yù)期不一致先不要懷疑模型“精度不行”按這個(gè)順序排查檢查推理服務(wù)加載的模型版本是否是預(yù)期版本。對(duì)比訓(xùn)練和推理時(shí)的預(yù)處理參數(shù)顏色歸一化、tile_size、overlap 是否一致。檢查 WSI 讀取層級(jí)和坐標(biāo)換算是否有誤。檢查結(jié)果后處理閾值是否被改過。找 5-10 例醫(yī)生不認(rèn)可的輸出看錯(cuò)誤是否有規(guī)律。注意不要只驗(yàn)證程序能啟動(dòng)還要驗(yàn)證輸入、輸出、異常分支和日志是否符合預(yù)期。8. 最佳實(shí)踐與下一步擴(kuò)展8.1 病理大模型上線前檢查清單檢查項(xiàng)是否必須說明模型權(quán)重備份和哈希是確?？苫貪L推理服務(wù)健康檢查是/health必須可用數(shù)據(jù)脫敏和訪問審計(jì)是患者信息不出域GPU 驅(qū)動(dòng)和容器插件是否則推理服務(wù)無法使用 GPU并發(fā)壓測(cè)和超時(shí)配置是避免醫(yī)生使用時(shí)白屏與病理系統(tǒng)或 PACS 的接口聯(lián)調(diào)是數(shù)據(jù)流要完整模型輸出的人工復(fù)核流程是輔助而非自動(dòng)決策8.2 值得長(zhǎng)期堅(jiān)持的工程原則配置外置化。模型路徑、GPU 卡數(shù)、batch_size、閾值都應(yīng)該通過環(huán)境變量或配置中心管理不要寫死在代碼里。模型和代碼分離。不要每次更新模型都重新構(gòu)建鏡像用掛載或模型倉庫方式加載權(quán)重。日志結(jié)構(gòu)化。每條推理日志應(yīng)包含版本號(hào)、耗時(shí)、切片標(biāo)識(shí)和坐標(biāo)方便回溯?；叶劝l(fā)布。新模型先在副本數(shù)為 1 的 Deployment 中運(yùn)行對(duì)比舊模型輸出確認(rèn)無誤后再切全量流量。8.3 從 RuiPath 2.0 看醫(yī)療大模型的擴(kuò)展方向病理大模型一旦接入科室流程后續(xù)擴(kuò)展方向通常包括從單張切片識(shí)別擴(kuò)展到多模態(tài)報(bào)告生成把切片圖像與病理報(bào)告文本對(duì)齊用知識(shí)檢索輔助醫(yī)生查找相似病例在科研場(chǎng)景中用模型自動(dòng)篩選入組病例在質(zhì)控場(chǎng)景中復(fù)核初診醫(yī)生書寫是否規(guī)范。這些方向都建立在同一套工程底座上穩(wěn)定的數(shù)據(jù)管道、可擴(kuò)展的推理平臺(tái)和可追溯的評(píng)估機(jī)制。RuiPath 2.0 的發(fā)布讓更多團(tuán)隊(duì)意識(shí)到醫(yī)療大模型的競(jìng)爭(zhēng)不只是模型訓(xùn)練更是從數(shù)據(jù)到服務(wù)、從指標(biāo)到臨床價(jià)值的全鏈路工程能力。技術(shù)團(tuán)隊(duì)如果能把部署、評(píng)估和運(yùn)維這層底座做扎實(shí)后續(xù)無論模型如何迭代都能快速接住變化。 病理大模型工程化落地：基于華為云CCE的推理服務(wù)與部署實(shí)戰(zhàn)
華為云聯(lián)合瑞金醫(yī)院發(fā)布瑞智病理大模型 RuiPath 2.0這標(biāo)志著病理 AI 正式從“單點(diǎn)工具”進(jìn)入“系統(tǒng)化平臺(tái)”階段。很多人以為病理大模型的難點(diǎn)只是算法但臨床病理科的實(shí)際情況要復(fù)雜得多一張全切片病理圖像的分辨率往往達(dá)到億級(jí)像素單文件可能超過 1GB標(biāo)注依賴資深醫(yī)生不同醫(yī)院的染色條件和掃描設(shè)備也不一致。發(fā)布一個(gè)模型只是第一步真正決定系統(tǒng)能否長(zhǎng)期運(yùn)轉(zhuǎn)的是數(shù)據(jù)管理、算力調(diào)度、推理服務(wù)、評(píng)估回滾、隱私安全和科室工作流之間的配合。這篇文章從工程視角拆解病理大模型落地鏈路并以華為云 CCE 和華為云 Stack 場(chǎng)景為例給出一套可復(fù)現(xiàn)的推理服務(wù)搭建思路。適合醫(yī)療 AI 平臺(tái)工程師、病理信息化團(tuán)隊(duì)和數(shù)據(jù)科學(xué)家閱讀學(xué)完后能圍繞模型文件設(shè)計(jì)出完整的部署、驗(yàn)證和運(yùn)維體系。1. 病理大模型解決的不是“識(shí)別一張圖”而是“重建一條診斷鏈路”1.1 從單任務(wù)模型到大模型病理 AI 的邊界發(fā)生了變化早期病理 AI 以單癌種單任務(wù)為主比如只識(shí)別某個(gè)淋巴結(jié)區(qū)域是否發(fā)生轉(zhuǎn)移或者只分割某一種腺體。實(shí)現(xiàn)方式通常是把 WSI 切成小塊再用分類網(wǎng)絡(luò)逐個(gè)預(yù)測(cè)。這種方案門檻低但問題很突出一個(gè)模型只解決一個(gè)問題染色條件不同、掃描儀不同、醫(yī)院不同性能就可能下降。因?yàn)槟Ｐ蛷那袎K中學(xué)到的大多是顏色和紋理統(tǒng)計(jì)特征而不是病理學(xué)意義上的結(jié)構(gòu)上下文。大模型路線則不同。RuiPath 2.0 所屬的病理大模型一般會(huì)在大規(guī)模病理圖像上先做預(yù)訓(xùn)練讓模型學(xué)習(xí)通用的病理視覺表示再通過少量標(biāo)注數(shù)據(jù)適配癌種識(shí)別、組織分割、突變預(yù)測(cè)等具體任務(wù)。這個(gè)邏輯與自然語言處理大模型相似先用海量數(shù)據(jù)學(xué)會(huì)通用規(guī)律再在具體任務(wù)上微調(diào)。對(duì)技術(shù)團(tuán)隊(duì)來說這種轉(zhuǎn)變意味著兩件事第一模型參數(shù)量和計(jì)算量變大不能再指望單機(jī)腳本扛住全部推理第二模型不再是靜態(tài)產(chǎn)物它需要根據(jù)新數(shù)據(jù)、新任務(wù)和醫(yī)生反饋持續(xù)更新所以后端必須配套模型版本管理、數(shù)據(jù)版本管理和可回滾的推理服務(wù)。理解這一點(diǎn)很重要。病理醫(yī)生最終看到的不是模型內(nèi)部的高維向量而是“某個(gè)坐標(biāo)區(qū)域?yàn)槭裁幢慌袨殛栃浴薄爸車袤w結(jié)構(gòu)是否支持這個(gè)結(jié)論”“需不需要考慮罕見亞型”。如果系統(tǒng)只返回一個(gè)概率價(jià)值非常有限。常見做法是把模型輸出與切片坐標(biāo)、形態(tài)學(xué)特征和結(jié)構(gòu)化報(bào)告結(jié)合形成輔助診斷鏈路。不同模型具體怎么實(shí)現(xiàn)不一定相同但“重建診斷鏈路”是所有病理大模型應(yīng)用都要面對(duì)的方向。1.2 數(shù)據(jù)、模型、平臺(tái)和應(yīng)用四個(gè)層次缺一不可病理大模型落地時(shí)至少涉及四個(gè)技術(shù)層次。數(shù)據(jù)層包括病理切片文件、診斷報(bào)告、隨訪結(jié)果和標(biāo)注數(shù)據(jù)。它是整個(gè)系統(tǒng)的基礎(chǔ)。病理切片格式多樣常見有 .svs、.ndpi、.mrx 等必須統(tǒng)一為平臺(tái)可讀的格式。報(bào)告中還包含自然語言診斷結(jié)論可以用來訓(xùn)練多模態(tài)模型或建立知識(shí)檢索。表示層指模型本身包括視覺編碼器、多模態(tài)對(duì)齊層和下游任務(wù)頭。預(yù)訓(xùn)練模型權(quán)重通常很大推理時(shí)需要 GPU 和專門的推理框架。這個(gè)層次要解決的問題是模型的輸入輸出格式是什么推理時(shí)間是毫秒級(jí)還是秒級(jí)單卡能承載多少并發(fā)。平臺(tái)層解決調(diào)度問題。模型推理服務(wù)需要以容器方式運(yùn)行在 Kubernetes 集群上由 CCE 或華為云 Stack 提供 GPU 調(diào)度、彈性伸縮和日志采集。平臺(tái)層還要負(fù)責(zé)權(quán)限控制、限流和審計(jì)保證醫(yī)院內(nèi)網(wǎng)環(huán)境下的安全合規(guī)。應(yīng)用層是最終面向醫(yī)生的界面包括切片瀏覽、結(jié)果疊加、報(bào)告生成和人工修正。應(yīng)用層設(shè)計(jì)要符合病理醫(yī)生閱片習(xí)慣不能把內(nèi)部接口結(jié)果直接暴露給醫(yī)生。四層缺一不可。傳統(tǒng)項(xiàng)目容易只做第二層把模型文件發(fā)給信息科卻忽略數(shù)據(jù)規(guī)范、容器平臺(tái)和醫(yī)生工作流最終上線后無法維護(hù)。1.3 工程團(tuán)隊(duì)要承擔(dān)什么職責(zé)病理大模型的落地需要多角色協(xié)作。數(shù)據(jù)工程師負(fù)責(zé)把歷史 WSI 處理成訓(xùn)練和測(cè)試數(shù)據(jù)集同時(shí)做好患者隱私脫敏。算法工程師負(fù)責(zé)預(yù)訓(xùn)練、微調(diào)、評(píng)估和模型導(dǎo)出。平臺(tái)工程師負(fù)責(zé)構(gòu)建鏡像、編寫部署清單、配置監(jiān)控告警。病理醫(yī)生負(fù)責(zé)定義臨床問題、標(biāo)注金標(biāo)準(zhǔn)和審核模型輸出。只有把這幾類工作放到同一條流水線里才能形成數(shù)據(jù)回流和模型迭代閉環(huán)。2. 部署前先想清楚你需要的是一套推理平臺(tái)不是一個(gè)模型文件2.1 病理大模型部署的典型架構(gòu)一個(gè)可用的病理大模型推理平臺(tái)調(diào)用鏈通常是切片存儲(chǔ)、預(yù)處理服務(wù)、GPU 推理服務(wù)、應(yīng)用網(wǎng)關(guān)、醫(yī)生工作臺(tái)、審計(jì)系統(tǒng)。切片存放在分布式存儲(chǔ)或?qū)ο蟠鎯?chǔ)中預(yù)處理服務(wù)負(fù)責(zé)把 WSI 切成 tile推理服務(wù)接收 tile 并返回結(jié)構(gòu)化結(jié)果醫(yī)生工作臺(tái)負(fù)責(zé)展示并記錄人工修改。在學(xué)習(xí)和單機(jī)驗(yàn)證階段可以把鏈路簡(jiǎn)化為一個(gè) Python 腳本。但進(jìn)入醫(yī)院環(huán)境后容器化幾乎是必選方案。原因有四GPU 資源需要統(tǒng)一調(diào)度不能綁定某臺(tái)物理機(jī)。多個(gè)模型版本需要并行灰度不能停機(jī)替換。醫(yī)院白天門診存在并發(fā)峰值推理服務(wù)需要彈性擴(kuò)容。日志、監(jiān)控、權(quán)限和審計(jì)需要統(tǒng)一平臺(tái)管理。華為云 CCE 正好覆蓋這些需求。它提供了容器集群、GPU 節(jié)點(diǎn)池、負(fù)載均衡和監(jiān)控能力適合承載模型推理服務(wù)。2.2 學(xué)習(xí)環(huán)境與生產(chǎn)環(huán)境的差異要提前拉開很多團(tuán)隊(duì)先用開發(fā)機(jī)跑通模型然后直接去生產(chǎn)環(huán)境部署結(jié)果在鏡像、依賴、存儲(chǔ)和權(quán)限上反復(fù)踩坑。下面是兩類環(huán)境的典型差異項(xiàng)目學(xué)習(xí)驗(yàn)證環(huán)境醫(yī)院生產(chǎn)環(huán)境數(shù)據(jù)規(guī)模幾十張 WSI本地磁盤全院多年切片TB 到 PB 級(jí)GPU 資源單卡即可多節(jié)點(diǎn) GPU 集群預(yù)留峰值部署方式單機(jī) Docker 或腳本華為云 CCE 或華為云 Stack 容器平臺(tái)模型更新手動(dòng)替換文件灰度發(fā)布、版本回滾權(quán)限控制開發(fā)人員可訪問按角色細(xì)粒度審計(jì)監(jiān)控基本日志延遲、成功率、隊(duì)列深度、資源告警隱私合規(guī)脫敏數(shù)據(jù)院內(nèi)私有化數(shù)據(jù)不出域如果選擇華為云 Stack 做私有化部署要提前查閱對(duì)應(yīng)版本的部署文檔確認(rèn) Kubernetes 版本、GPU 驅(qū)動(dòng)、容器網(wǎng)絡(luò)和存儲(chǔ)類型是否一致。開發(fā)機(jī)上驗(yàn)證過的 CUDA 版本并不能直接等同于生產(chǎn)鏡像版本很多容器啟動(dòng)失敗都源于基礎(chǔ)鏡像與驅(qū)動(dòng)不匹配。2.3 最小工程目錄設(shè)計(jì)建議按下面的目錄組織代碼和部署文件pathology-inference/ ├── docker/ │ ├── Dockerfile │ └── requirements.txt ├── kubernetes/ │ ├── deployment.yaml │ └── service.yaml ├── src/ │ ├── api.py │ ├── preprocess.py │ └── model_loader.py ├── models/ │ └── mock_model.pt └── tests/ ├── test_api.py └── test_preprocess.pydocker目錄放置鏡像構(gòu)建文件kubernetes目錄放置部署清單src目錄放推理服務(wù)源碼models目錄只放用于驗(yàn)證的 demo 權(quán)重真實(shí)環(huán)境建議把權(quán)重放到對(duì)象存儲(chǔ)或模型倉庫通過掛載方式加載避免每次發(fā)布重新打鏡像。3. 在華為云 CCE 上部署病理模型推理服務(wù)示例3.1 準(zhǔn)備模型文件與容器鏡像下面示例使用一個(gè) mock 模型演示完整流程真實(shí)項(xiàng)目需要替換為訓(xùn)練好的權(quán)重。Dockerfile 編寫如下FROM nvcr.io/nvidia/pytorch:23.10-py3 WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY src/ ./src/ COPY models/ ./models/ ENV MODEL_PATH/app/models/mock_model.pt ENV DEVICEcuda EXPOSE 8000 CMD [uvicorn, src.api:app, --host, 0.0.0.0, --port, 8000]requirements.txt 可以這樣寫fastapi0.111.0 uvicorn[standard]0.30.1 openslide-python1.3.1 pydantic2.7.1示例里把模型文件復(fù)制進(jìn)鏡像是為了快速演示。生產(chǎn)環(huán)境建議讓鏡像保持“代碼不可變”模型文件通過 ConfigMap 之外的持久卷或模型倉庫加載這樣更新權(quán)重時(shí)不需要重新構(gòu)建整個(gè)鏡像。3.2 病理推理 HTTP 服務(wù)接口使用 FastAPI 實(shí)現(xiàn)一個(gè)最小推理接口包含健康檢查和推理兩個(gè)端點(diǎn)# src/api.py from typing import List from fastapi import FastAPI from pydantic import BaseModel app FastAPI(titlepathology-inference) class TileItem(BaseModel): tile_id: str image_base64: str class InferRequest(BaseModel): items: List[TileItem] threshold: float 0.5 class InferResponse(BaseModel): results: List[dict] model_version: str class MockPathologyModel: def predict_batch(self, tiles): results [] for t in tiles: results.append({ tile_id: t.tile_id, pred_class: tumor, confidence: 0.82, }) return results model MockPathologyModel() app.get(/health) def health(): return {status: ok} app.post(/v1/infer, response_modelInferResponse) def infer(req: InferRequest): # 真實(shí)項(xiàng)目中這里需要完成 base64 解碼、歸一化、模型推理和后處理 results model.predict_batch(req.items) return InferResponse(resultsresults, model_versionmock-1.0)接口設(shè)計(jì)需要關(guān)注三點(diǎn)。第一輸入使用tile_id而不是完整切片路徑因?yàn)椴±砬衅募粦?yīng)直接暴露給外部調(diào)用方。第二圖片傳輸采用 base64 字符串適合內(nèi)部服務(wù)間小批量傳輸?shù)⒁庹?qǐng)求體大小限制。第三模型加載要在進(jìn)程啟動(dòng)時(shí)完成不能每次請(qǐng)求都重新加載權(quán)重。3.3 編寫 Kubernetes 部署清單創(chuàng)建 Deployment 和 ServiceapiVersion: apps/v1 kind: Deployment metadata: name: ruipath-inference namespace: medical-ai spec: replicas: 1 selector: matchLabels: app: ruipath-inference template: metadata: labels: app: ruipath-inference spec: containers: - name: inference image: registry.example.com/pathology/ruipath-inference:latest ports: - containerPort: 8000 name: http env: - name: MODEL_PATH value: /app/models/mock_model.pt - name: DEVICE value: cuda resources: limits: nvidia.com/gpu: 1 requests: cpu: 2 memory: 8Gi readinessProbe: httpGet: path: /health port: http initialDelaySeconds: 10 periodSeconds: 5apiVersion: v1 kind: Service metadata: name: ruipath-inference namespace: medical-ai spec: selector: app: ruipath-inference ports: - port: 80 targetPort: 8000配置里有兩個(gè)關(guān)鍵點(diǎn)resources.limits聲明了需要一張 GPU調(diào)度器會(huì)把 Pod 調(diào)度到有 GPU 的節(jié)點(diǎn)readinessProbe用/health做就緒檢查避免流量打到尚未加載完模型的 Pod 上。3.4 執(zhí)行部署并驗(yàn)證先創(chuàng)建命名空間再應(yīng)用清單kubectl create namespace medical-ai kubectl apply -f kubernetes/deployment.yaml kubectl apply -f kubernetes/service.yaml kubectl rollout status deployment/ruipath-inference -n medical-ai kubectl get pods -n medical-ai -o wide查看 Service 地址kubectl get svc -n medical-ai然后發(fā)送推理請(qǐng)求curl -X POST http://service-ip/v1/infer \ -H Content-Type: application/json \ -d { items: [ { tile_id: case_001_tile_0_0, image_base64: base64字符串 } ], threshold: 0.5 }正常返回結(jié)果如下{ results: [ { tile_id: case_001_tile_0_0, pred_class: tumor, confidence: 0.82 } ], model_version: mock-1.0 }這里的部署流程只是驗(yàn)證服務(wù)鏈路真實(shí)病理業(yè)務(wù)還需要接入切片讀取和預(yù)處理模塊。4. 病理切片預(yù)處理和推理接口不能照搬通用圖像接口4.1 WSI 不是普通圖像普通圖像識(shí)別任務(wù)通常把整張圖縮放到固定尺寸但病理 WSI 無法這樣做。一張 40 倍物鏡下的 WSI 可能包含幾十億像素直接縮放到 224×224 會(huì)丟失幾乎所有細(xì)胞結(jié)構(gòu)信息。因此推理前必須把 WSI 切成合適大小的 tile再分批送入模型。讀取 WSI 推薦使用 OpenSlide它支持多種格式并能按不同分辨率層級(jí)讀取import openslide wsi_path case_001.svs slide openslide.OpenSlide(wsi_path) level_count slide.level_count level_dimensions slide.level_dimensions print(level_count, level_dimensions) tile_size 512 overlap 64 for x in range(0, slide.dimensions[0], tile_size - overlap): for y in range(0, slide.dimensions[1], tile_size - overlap): tile slide.read_region((x, y), 0, (tile_size, tile_size)).convert(RGB) # 這里將 tile 交給預(yù)處理或直接送入模型read_region在切片邊緣會(huì)返回黑色背景需要根據(jù)坐標(biāo)判斷是否為有效區(qū)域。不要使用PIL.Image.open直接讀取 WSI那會(huì)內(nèi)存溢出或超時(shí)。4.2 tile 切塊參數(shù)不是越大越好切塊參數(shù)直接影響顯存占用和推理質(zhì)量。常見參數(shù)如下參數(shù)含義建議初始值影響tile_size切塊邊長(zhǎng)256-1024太小上下文不足太大顯存壓力大overlap相鄰切塊重疊像素0-128減少邊緣遺漏但增加計(jì)算量level分辨率層級(jí)0 或 10 細(xì)節(jié)最多但速度慢1 速度快但細(xì)節(jié)少batch_size每次推理數(shù)量8-64影響吞吐和顯存占用建議先在小數(shù)據(jù)集上做壓測(cè)找到一個(gè)“顯存不溢出、速度可接受、醫(yī)生認(rèn)可”的組合。不要照搬公開論文里的參數(shù)因?yàn)椴煌t(yī)院的切片大小和設(shè)備差異很大。4.3 推理結(jié)果要結(jié)構(gòu)化病理推理服務(wù)不能只返回一個(gè)類別名。建議輸出包含坐標(biāo)、類別、置信度和版本信息{ results: [ { tile_id: case_001_level0_x0_y0, coord: {x: 0, y: 0}, pred_class: tumor, confidence: 0.87 } ], model_version: ruipath-2.0-mock }后處理階段還需要考慮置信度閾值和區(qū)域合并。低置信度區(qū)域不要直接丟棄可以選擇標(biāo)記為“待醫(yī)生確認(rèn)”。這樣模型結(jié)果才不會(huì)給病理醫(yī)生造成“機(jī)器已經(jīng)下了結(jié)論”的錯(cuò)覺。5. 模型評(píng)估與臨床驗(yàn)證技術(shù)指標(biāo)不等于臨床價(jià)值5.1 離線評(píng)估指標(biāo)要圍繞臨床場(chǎng)景選擇模型評(píng)估不能只看整體準(zhǔn)確率。病理任務(wù)經(jīng)常面臨類別不均衡例如絕大多數(shù) tile 是正常組織只有少量 tile 是病變區(qū)域。如果只看準(zhǔn)確率模型可以“全部預(yù)測(cè)正常”也得到很高分?jǐn)?shù)。推薦使用以下指標(biāo)指標(biāo)說明適用場(chǎng)景AUC區(qū)分正負(fù)樣本的能力初步篩選模型F1-score精確率和召回率的調(diào)和平均不均衡分類敏感度陽性樣本查全率腫瘤篩查特異度陰性樣本查全率控制假陽性平均精確率不均衡場(chǎng)景下的查準(zhǔn)表現(xiàn)可疑區(qū)域排序敏感度和特異度一定要一起看。病理輔助系統(tǒng)如果漏檢后果嚴(yán)重如果假陽性過多醫(yī)生會(huì)被大量無效告警干擾最終放棄使用。5.2 數(shù)據(jù)劃分必須按患者維度切分訓(xùn)練集、驗(yàn)證集和測(cè)試集必須按患者劃分不能按 tile 隨機(jī)劃分。同一患者的多個(gè)切片之間高度相關(guān)如果同一個(gè)患者的切片既出現(xiàn)在訓(xùn)練集又出現(xiàn)在測(cè)試集模型效果會(huì)被嚴(yán)重高估。一個(gè)簡(jiǎn)單的按患者劃分示例patients sorted(set(annotations[patient_id])) train_patients patients[: int(len(patients) * 0.7)] valid_patients patients[int(len(patients) * 0.7): int(len(patients) * 0.85)] test_patients patients[int(len(patients) * 0.85):]真實(shí)項(xiàng)目還要考慮醫(yī)院和掃描儀維度。最好使用多中心數(shù)據(jù)驗(yàn)證至少要有外部驗(yàn)證集否則模型換一個(gè)環(huán)境后很容易性能崩塌。5.3 從技術(shù)驗(yàn)證到臨床試點(diǎn)要分步走模型在測(cè)試集上表現(xiàn)好不代表能在科室直接使用。建議按以下順序推進(jìn)離線回放用歷史切片跑一遍對(duì)比模型結(jié)果與原始報(bào)告。雙盲自評(píng)讓病理醫(yī)生在不看模型結(jié)果的情況下重新判讀再對(duì)比。人機(jī)協(xié)同醫(yī)生先看模型結(jié)果再給出最終診斷。試點(diǎn)運(yùn)行選擇少量病種記錄醫(yī)生使用反饋和修改次數(shù)。注意不要用訓(xùn)練集樣本做驗(yàn)證按患者劃分后再進(jìn)入多中心驗(yàn)證。整個(gè)過程要保留完整記錄包括模型版本、切片標(biāo)識(shí)、醫(yī)生修改結(jié)果和耗時(shí)。這些數(shù)據(jù)是后續(xù)模型迭代的重要依據(jù)。6. 病理大模型上線后的運(yùn)維與安全6.1 模型版本管理不能靠文件名區(qū)分模型文件一多靠文件名區(qū)分必然出錯(cuò)。推薦在模型倉庫中記錄以下信息字段示例說明模型名稱ruipath-2.0業(yè)務(wù)模型名版本號(hào)v2.0.1語義化版本權(quán)重哈希sha256:abc123...確保文件完整性訓(xùn)練數(shù)據(jù)范圍2020-2024 多中心數(shù)據(jù)來源評(píng)估結(jié)果AUC 0.95關(guān)鍵指標(biāo)發(fā)布時(shí)間2025-06-01可追溯推理服務(wù)啟動(dòng)時(shí)應(yīng)該打印加載的模型版本并在響應(yīng)中返回model_version字段。這樣醫(yī)生或前端發(fā)現(xiàn)異常時(shí)能快速定位是哪個(gè)版本產(chǎn)生的輸出。6.2 監(jiān)控與告警要覆蓋業(yè)務(wù)和技術(shù)指標(biāo)GPU 推理服務(wù)的監(jiān)控不能只看 CPU 和內(nèi)存還要關(guān)注推理延遲、隊(duì)列長(zhǎng)度和 GPU 利用率。建議采集以下指標(biāo)指標(biāo)告警建議說明推理成功率低于 99% 告警服務(wù)是否可用P95 推理延遲超過 5 秒告警醫(yī)生等待體驗(yàn)GPU 利用率持續(xù)低于 20% 提示資源是否浪費(fèi)隊(duì)列深度超過 100 告警是否要擴(kuò)容顯存占用超過 90% 告警是否可能 OOM日志中要記錄每次請(qǐng)求的tile_id、耗時(shí)、模型版本和返回碼。不要只在異常時(shí)打日志正常的慢請(qǐng)求也需要記錄因?yàn)楫惓Ｍ鶑暮臅r(shí)突增開始。6.3 數(shù)據(jù)隱私與訪問控制病理切片包含患者隱私生產(chǎn)環(huán)境必須控制訪問邊界。切片文件不應(yīng)該掛在所有人都能訪問的共享目錄上建議通過對(duì)象存儲(chǔ)的簽名 URL 或后端服務(wù)做代理訪問。私有化部署場(chǎng)景下華為云 Stack 可以保證數(shù)據(jù)不出院但應(yīng)用層權(quán)限設(shè)計(jì)仍然要做細(xì)。醫(yī)生、技術(shù)人員、管理員應(yīng)具有不同角色重要操作例如導(dǎo)出結(jié)果、修改模型配置必須審計(jì)。推理服務(wù)也應(yīng)限制來源 IP只允許內(nèi)網(wǎng)醫(yī)生工作臺(tái)和預(yù)處理服務(wù)訪問。注意不要在日志中輸出患者姓名、住院號(hào)等明文隱私信息日志里只保留脫敏后的樣本編號(hào)。7. 常見問題排查從鏡像啟動(dòng)到推理超時(shí)7.1 容器啟動(dòng)后立即退出現(xiàn)象常見原因檢查方式處理建議Pod 一直 CrashLoopBackOff模型路徑不存在kubectl logs確認(rèn)MODEL_PATH與鏡像內(nèi)文件一致啟動(dòng)時(shí)缺依賴requirements 未安裝全kubectl logs進(jìn)入容器檢查 pip list端口未監(jiān)聽啟動(dòng)命令錯(cuò)誤kubectl exec內(nèi)執(zhí)行 curl檢查 CMD 參數(shù)和 uvicorn 配置鏡像啟動(dòng)失敗十有八九是文件路徑和啟動(dòng)命令問題。建議先本地用docker run驗(yàn)證再推到集群。7.2 GPU 不可用或 CUDA 報(bào)錯(cuò)現(xiàn)象是推理請(qǐng)求返回CUDA error: no kernel image is available。常見原因是容器沒有掛載 GPU或基礎(chǔ)鏡像的 CUDA 版本與宿主機(jī)驅(qū)動(dòng)不兼容。在容器里執(zhí)行nvidia-smi如果命令不存在或報(bào)錯(cuò)先檢查宿主機(jī)驅(qū)動(dòng)是否正常再確認(rèn)集群是否安裝了 NVIDIA Device Plugin。然后檢查 Deployment 的resources.limits是否包含nvidia.com/gpu不要只寫limits.memory。7.3 推理超時(shí)和顯存溢出常見場(chǎng)景是多個(gè)醫(yī)生同時(shí)打開切片預(yù)處理線程把大量 tile 一次性送入模型GPU 顯存不夠直接 OOM。解決方案有三個(gè)方向降低 batch_size。對(duì) tile 隊(duì)列做限流。推理服務(wù)副本數(shù)擴(kuò)容。如果單張 WSI 預(yù)處理時(shí)間過長(zhǎng)可以增加緩存層把已經(jīng)切好的 tile 緩存在對(duì)象存儲(chǔ)中避免同一張切片反復(fù)預(yù)處理。7.4 模型輸出和醫(yī)生預(yù)期不一致先不要懷疑模型“精度不行”按這個(gè)順序排查檢查推理服務(wù)加載的模型版本是否是預(yù)期版本。對(duì)比訓(xùn)練和推理時(shí)的預(yù)處理參數(shù)顏色歸一化、tile_size、overlap 是否一致。檢查 WSI 讀取層級(jí)和坐標(biāo)換算是否有誤。檢查結(jié)果后處理閾值是否被改過。找 5-10 例醫(yī)生不認(rèn)可的輸出看錯(cuò)誤是否有規(guī)律。注意不要只驗(yàn)證程序能啟動(dòng)還要驗(yàn)證輸入、輸出、異常分支和日志是否符合預(yù)期。8. 最佳實(shí)踐與下一步擴(kuò)展8.1 病理大模型上線前檢查清單檢查項(xiàng)是否必須說明模型權(quán)重備份和哈希是確?？苫貪L推理服務(wù)健康檢查是/health必須可用數(shù)據(jù)脫敏和訪問審計(jì)是患者信息不出域GPU 驅(qū)動(dòng)和容器插件是否則推理服務(wù)無法使用 GPU并發(fā)壓測(cè)和超時(shí)配置是避免醫(yī)生使用時(shí)白屏與病理系統(tǒng)或 PACS 的接口聯(lián)調(diào)是數(shù)據(jù)流要完整模型輸出的人工復(fù)核流程是輔助而非自動(dòng)決策8.2 值得長(zhǎng)期堅(jiān)持的工程原則配置外置化。模型路徑、GPU 卡數(shù)、batch_size、閾值都應(yīng)該通過環(huán)境變量或配置中心管理不要寫死在代碼里。模型和代碼分離。不要每次更新模型都重新構(gòu)建鏡像用掛載或模型倉庫方式加載權(quán)重。日志結(jié)構(gòu)化。每條推理日志應(yīng)包含版本號(hào)、耗時(shí)、切片標(biāo)識(shí)和坐標(biāo)方便回溯?；叶劝l(fā)布。新模型先在副本數(shù)為 1 的 Deployment 中運(yùn)行對(duì)比舊模型輸出確認(rèn)無誤后再切全量流量。8.3 從 RuiPath 2.0 看醫(yī)療大模型的擴(kuò)展方向病理大模型一旦接入科室流程后續(xù)擴(kuò)展方向通常包括從單張切片識(shí)別擴(kuò)展到多模態(tài)報(bào)告生成把切片圖像與病理報(bào)告文本對(duì)齊用知識(shí)檢索輔助醫(yī)生查找相似病例在科研場(chǎng)景中用模型自動(dòng)篩選入組病例在質(zhì)控場(chǎng)景中復(fù)核初診醫(yī)生書寫是否規(guī)范。這些方向都建立在同一套工程底座上穩(wěn)定的數(shù)據(jù)管道、可擴(kuò)展的推理平臺(tái)和可追溯的評(píng)估機(jī)制。RuiPath 2.0 的發(fā)布讓更多團(tuán)隊(duì)意識(shí)到醫(yī)療大模型的競(jìng)爭(zhēng)不只是模型訓(xùn)練更是從數(shù)據(jù)到服務(wù)、從指標(biāo)到臨床價(jià)值的全鏈路工程能力。技術(shù)團(tuán)隊(duì)如果能把部署、評(píng)估和運(yùn)維這層底座做扎實(shí)后續(xù)無論模型如何迭代都能快速接住變化。