Vibe Research进行时：商汤医疗把病理医生的灵感变成可用模型

2025年，OpenAI联合创始人、特斯拉前AI总监Andrej Karpathy提出的“Vibe Coding”被《柯林斯词典》评为年度词汇——不用逐行写代码，靠自然语言描述需求和意图，AI就能生成可执行程序，编程的门槛被彻底重塑。

而在医疗领域，一场同样量级的范式转移正在发生：病理医生不必懂算法、写代码，只需有自己的临床和科研灵感，就能直接训练出一个可用的模型。

这，就是“Vibe Research”——从灵感到模型。商汤医疗PathEngine，正在让它发生。

在刚刚过去的2026世界人工智能大会上，商汤医疗病理模块也成为本次展会的明星产品，展区前医疗从业者络绎不绝，中央电视台在为期4天的展会中连续6次进行跟踪报道。

医疗AI下半场：从"应用单点突破"到"基础设施制胜"

医疗AI赛道正经历一场深刻的价值重构——当多数同行仍停留在"单点病种应用"的开发模式，受制于通用模型的能力天花板时，商汤医疗选择了一条更重、但护城河也更深的路径：向基础设施层纵深突破，掌握病理大模型核心基座，构建从数据、算法到落地的全链路竞争壁垒。

病理诊断是疾病诊断的"金标准"，却面临着严峻的现实挑战：中国病理医生不足2万人，缺口超14万。海量阅片压力下，临床科研想法难以快速验证，优质诊断资源集中在头部医院，基层能力提升缓慢……当病理诊断遇上大模型，一种全新的科研范式正在诞生——Vibe Research：医生不再只是AI的使用者，更可以成为模型的创造者。

商汤医疗八年深耕病理AI，正让这一愿景成为现实。

一、厚积薄发：近30万张切片铸就的病理“基座”

从2020年MICCAI的FENet基因突变预测，到2022年The Lancet Digital Health的空间感知图神经网络，再到2023年MICCAI Oral的PathOmics多模态融合——商汤医疗CEO张少霆教授带领团队，将“病理图像能否承载更深层临床信息”这一核心命题，推进到了临床级应用的新高度。

2024 年 WAIC 期间，商汤医疗联合时任中华医学会病理学分会副主委王哲团队发布国内首个病理大模型 PathOrchestra。2025年，商汤医疗病理大模型PathOrchestra论文发表于npj Digital Medicine（最新影响因子：18.00，JCR Q1区），标志着中国病理大模型研究跻身国际第一梯队。

三大核心优势，构建行业领先的病理基础底座：

模型规模前所未有：PathOrchestra基于287,424张全视野数字切片训练，覆盖21类组织器官，数据来自西京医院、中科大附属第一医院、TCGA三大权威中心，数据质量与多样性远超行业平均水平。

临床级能力验证：在112项临床相关任务、27,755张WSI、941万张ROI图像上评估，47项任务准确率超过0.95，是目前国内任务覆盖最广、验证最充分的病理基础模型。

行业首创突破：成为首个实现结直肠癌和淋巴瘤结构化报告生成的病理基础模型，真正打通"图像识别-临床解读-报告输出"全流程。

这不仅是“又一个AI模型”，而是通过大规模自监督学习构建的可迁移、可复用、可扩展的病理基础底座——为下游各类专病模型的快速开发提供了坚实的"能力地基"。

2026年，依托PathOrchestra病理大模型核心能力打造的PathEngine病理大模型AI应用生产平台，已在国内近30家骨干医院实现落地部署，覆盖空军军医大学西京医院、上海市肺科医院、常州市第一人民医院等权威医疗机构。跨地域、跨层级、跨专科的多元化落地实践，有力证明了该平台在真实临床环境中的强大兼容性与可靠性。

二、效率革命：PathEngine让病理AI开发从“手工作坊”进入“工业时代”

科研突破的终极价值，在于能否转化为普惠的临床工具。但行业长期面临一个深层悖论：需求是工业级的，供给却停留在手工作坊阶段。

传统病理AI模型开发周期长达12-24个月，高度依赖大量标注数据和算法工程师的深度参与。即使有了强大的病理大模型基座，如果没有配套的生产工具和开发范式，绝大多数医院的临床灵感仍然无法高效转化为可用的诊断模型。

PathEngine正是为破解这一痛点而生——它是连接"科研基座"与"临床需求"的桥梁，以"零代码AI应用工厂"模式，让医生无需代码基础，即可在短时间内自主开发、训练和部署病理AI模型，将病理大模型的能力真正释放到临床一线。

三大平台协同，覆盖病理AI全链路生产：

数据中枢（数字病理切片管理平台）：汇聚高质量标准化切片，持续为大模型进化提供“养料”，解决数据分散、标准不一的行业痛点。

临床接口（智慧病理AI辅助诊断平台）：直击快速筛查与精准诊断痛点，覆盖多病种应用场景，直接服务日常病理诊断工作。

进化引擎（PathEngine）：深度融合PathOrchestra病理大模型与“大医”大语言模型，赋能医院零代码开发垂类AI应用，高效解决病理诊断的长尾问题。

这意味着：医生的临床灵感，可以直接转化为可用的诊断模型。

在科研端，百例级标注即可构建诊断级工具，大幅降低科研验证门槛；在临床端，实现“图像解析-指南调取-报告生成”全流程自动化，显著提升诊断效率与一致性。当行业竞争从“模型精度”之争走向“生产效率”之争，PathEngine正是商汤医疗定义医疗AI下半场竞争规则的战略支点。

商汤医疗COO申田坦言：“AI技术在实验室环境中表现优异，并不等同于在复杂多变的真实临床场景中也好用。智慧病理解决方案的核心从不局限于算法本身，更在于与临床流程的深度融合。”PathEngine正是这一理念的产物——打破技术黑箱，让AI真正扎根于医生的日常。

张少霆向时任上海市委书记介绍商汤医疗相关产品

三、落地为证：从科研平台到临床价值的真实转化

PathEngine的价值不止于流程提效，更在于它正帮助一线病理医生产出有临床价值的科研成果，架设从科研探索到临床落地的快速通道。

西京医院：从HE切片直接“读”出基因突变，科研效率跃升新台阶

空军军医大学西京医院病理科王哲教授团队基于PathEngine平台，在透明细胞肾细胞癌研究中取得突破——利用PathOrchestra病理大模型提取特征，仅凭常规HE染色切片即可预测VHL、PBRM1、BAP1、SETD2四个关键驱动基因的突变状态。

在独立测试集上，模型预测VHL、PBRM1、BAP1 和SETD2突变的受试者工作特征曲线下面积（AUC）分别为0.87、0.84、0.95和0.88，其中BAP1和SETD2的预测表现超越国际通用的UNI病理大模型基线。

这一成果充分验证了平台作为科研基础设施的价值：任何拥有切片数据和科研需求的医院，都可以借助该平台以极低门槛复现类似研究，快速产出高质量的科研成果和可落地的临床工具。

上海市肺科医院：冰冻病理AI快速临床转化，助力基层能力提升

上海市肺科医院基于PathEngine平台，2个月内完成了冰冻小结节亚型分类模型的训练。在肺冰冻四分类任务和STAS（气腔播散）识别任务中，模型AUC均达到0.9以上，术中判读稳定性与临床泛化潜力表现优异。

通过本地化部署，有效提升肺腺癌冰冻诊断一致性，并为优质病理诊断能力向基层延伸提供了技术支撑，让更多患者在家门口就能获得高水平的病理诊断服务。

多中心布局，跨病种验证平台普适性

目前，PathEngine平台已在中枢神经系统肿瘤、妇儿疾病、地方特色病种等多个筛查领域，与国内多家头部医院合作开展AI应用模型训练，持续验证平台在多样化落地场景中的稳定性和实用性。

这些案例揭示了一个关键趋势：当平台具备规模化生产能力，模型开发便从“个案能力”变为“系统能力”。每一家医院的临床实践都成为推动模型进化的“活体样本”——更多医院接入带来更多真实场景，更多场景产生更多高质量数据，更多数据训练出更多专病模型，更多模型进入临床验证和科研应用——这就是医疗AI的正向飞轮。

2024年WAIC大会上，时任中华医学会病理学分会副主任委员王哲发布国内首个病理大模型PathOrchestra

四、未来图景：让每一位医生都能做“Vibe Research”

八年深耕，商汤医疗构建了三重核心竞争力：

研究深度——从乳腺癌基因突变预测到PathOrchestra病理基础模型，持续探索病理图像背后的分子与临床信息，科研成果始终领跑行业；

模型广度——覆盖21类组织器官、112项临床任务，从单病种走向泛癌种、多任务病理基础模型，能力边界持续拓展；

落地厚度——形成“论文成果-模型平台-临床流程-医院反馈”的完整闭环，近30家骨干医院的真实落地持续验证了产品价值。

如今，该平台已助力上海申康医院发展中心、瑞金医院、华山医院、复旦大学附属肿瘤医院、西京医院、上海市肺科医院、中科大附一院、江苏省人民医院等医疗机构，创新生产了诸多模型，并发表了高品质的学术成果。这些研究成果覆盖精准诊断、多模态智能与数据基建等主要方向，相关成果被高影响因子医学杂志接收，直接解决临床难题。

团队已发表的智慧病理相关论文：

[1] Parallel Hyper-Prior and Dual-Domain Autoregressive Transformer for Lossless JPEG Recompression of Pathology Images (IEEE Transactions on Medical Imaging, 2026)

[2] PathFound: An agentic multimodal model activating evidence-seeking pathological diagnosis (Medical Image Analysis, 2026) 

[3] OmniPathoVQA: Benchmarking pathology vision–language models with Encyclopedia-scale knowledge (Medical Image Analysis, 2026)

[4] SUDA: Simultaneous unsupervised knowledge distillation and adaptation of foundation models for efficient pathological image analysis (Medical Image Analysis, 2026)

[5] Towards a universal JPEG lossless recompression foundation model for pathology images: A transformer context modeling approach (Medical Image Analysis, 2026) 

[6] 基于病理大模型的透明细胞肾细胞癌驱动基因突变预测与临床关联分析（中华病理学杂志, 2026）

[7] A generalizable pathology foundation model using a unified knowledge distillation pretraining framework (Nature Biomedical Engineering, 2026) 

[8] PathOrchestra: a comprehensive foundation model for computational pathology with over 100 diverse clinical-grade tasks (npj Digital Medicine, 2025)

[9] Large language models driven neural architecture search for universal and lightweight disease diagnosis on histopathology slide images (npj Digital Medicine , 2025)

[10] Cost-effective instruction learning for pathology vision and language analysis (Nature Computational Science, 2025)

[11]Artificial intelligence-based assessment of PD-L1 expression in diffuse large B cell lymphoma (npj Precision Oncology, 2024)

[12] Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction (MICCAI 2023 Oral ) 

[13] A Large-scale Synthetic Pathological Dataset for Deep Learning-enabled Segmentation of Breast Cancer (Scientific Data, 2023) 

[14] Spatially aware graph neural networks and cross-level molecular profile prediction in colon cancer histopathology: a retrospective multi-cohort study (The Lancet Digital Health, 2022)

[15] DigestPath: A benchmark dataset with challenge review for the pathological detection and segmentation of digestive-system (Medical Image Analysis, 2022)

[16] Genetic mutation and biological pathway prediction based on whole slide images in breast carcinoma using deep learning. (npj Precision Oncology, 2021)

[17] Feature-Enhanced Graph Networks for Genetic Mutational Prediction Using Histopathological Images in Colon Cancer (MICCAI 2020 )