上海市肺科医院数智病理平台建设实践

医院简介

始建于1933年的上海市肺科医院，是国内最早成立的肺病专科三甲医院之一，长期承担华东乃至全国疑难肺部疾病的病理会诊任务，年活检与细胞学检查量位居全国前列。面对繁重的临床诊疗与科研任务，医院的每一条流程改造、每一份数据沉淀，都始终以服务一线诊断与科学研究为落脚点。

一 为什么建：把"显微镜下的病理"搬上数智化轨道

面对病理业务“数字化+AI化”的双重转型压力，医院自2024年底启动数智病理平台整体规划，2025年6月正式落地商汤数字病理切片管理平台、智慧病理AI质控与辅诊平台、病理大模型AI应用生产与标准化训练平台等业务系统。围绕“业务驱动信息化建设、信息化建设匹配业务”主线，医院完成了从基础架构选型到上层业务承载的全链路设计，为临床与科研提供稳定、高效、安全的数据底座。

二 系统长什么样：四大组件+端到端架构

数智病理系统围绕“数字切片全生命周期管理+AI智能诊断+大模型标准化训练”三大主线建设，由四大组件构成端到端架构。

● 玻璃切片扫描仪：40×高倍率全幅成像，单张切片输出约1GB；

● 数字病理切片管理平台：负责扫描接入、分级与无损压缩、调阅浏览、统计分析（存储利用率提升35%+）；

● 智慧病理AI质控与辅诊平台：提供AI扫描质控、AI制片质控、多病种辅诊分析、病灶定位（肿瘤检出敏感性接近100%）； 

● 病理大模型AI标准化训练平台：承担半自动标注、模型训练、模型评测、反哺辅诊，沉淀多款肺部细胞学AI诊断模型。

整体架构上采用“扫描仪-存储-计算-AI推理-PIS/CDSS集成”的端到端贯通。系统支撑日常工作流数字化、AI质控、AI辅助阅片初筛与病灶定位、结构化报告自动生成、大模型标注与训练、科研数据反哺等场景，是医院从“显微镜下看片子”迈向“算力驱动的智能病理”的关键底座。

三 要回答什么：数据"三多"+平台"四系统"+三大诉求

业务升级之后，首先要回答两个问题：数智病理在跑什么样的数据，又在跑什么样的业务。医院将数据特征归纳为“三多”，业务体系归纳为“四系统”，并由此导出三大诉求。

1.数据“三多”：病理数据的特殊形态

（1）数据格式多样：上海市肺科医院同时引入了多家厂商扫描设备，数字切片涉及‘.svs’、‘.kfb’、‘.npdi’、‘.knbp’、‘.mrxs’等多种专属格式（Leica、Hamamatsu、3DHISTECH、江丰生物等品牌），数智资源底座必须具备多协议、多格式统一接入能力。

（2）容量巨大：单张切片平均约1GB（细胞扫描300–500MB/张，组织扫描1–5GB/张），另含CT等影像检查，单次检查包含500-600个DICOM格式文件（每个<500KB）。数据写入以大文件包为主，业务读取的是文件内部的小切片图像，呈现“大文件写入、小数据读取”特征，对存储随机小I/O提出特殊要求。

（3）增长迅猛：年新增切片超20万张，年数据增量超100TB，按法规需留存15–30年；既要保障近期数据高效读取，也要实现历史数据低成本长期留存。

2.业务“四系统”：商汤数智病理平台体系

3.三大诉求

由数据与业务双重特征导出三大诉求：数据规模超大需弹性扩展、性能要求分层需差异化供给、数据敏感性强需全链路安全防护——后续的数智病理方案设计与设备选型，将严格围绕这三大诉求展开。

四 传统架构卡在哪里：四个维度的明显短板

面对上述业务特性与信息化建设需求，医院在方案论证阶段系统复盘了既有IT架构，发现以传统集中式存储为代表的旧底座在四个维度均出现明显短板。

1.容量短板：传统机头+扩展柜扩展能力受限，容量天花板明显，无法支撑PB级数据15–30年增长；扩容窗口紧张、迁移风险高。

2.性能短板：单控制器+传统NFS/CIFS文件系统难以匹配“GB级大文件写入+小切片随机读取”的混合负载，元数据开销大、聚合带宽低，协议栈单一，缺乏S3/HDFS/并行文件系统及AI数据加速与QoS能力。

3.成本短板：全闪配置成本过高难以覆盖PB级数据，混闪配置又无法满足AI训练与高并发阅片性能，“性能—成本”难以平衡。

4.安全短板：缺乏内建数据保护、容灾与防勒索能力，多业务系统间数据流转的泄露与篡改风险难控，无法满足医疗数据合规要求。

四大短板同时承压，倒逼医院在本次建设中引入新一代分布式存储与全链路安全防护体系——这也正是下文方案的设计原点。

五 怎么建：计算/存储/网络/安全一体化底座

针对上述四大短板，医院按“分层建设、弹性扩展、双层高可用、全链路安全”的思路，构建统一数智资源融合支撑底座，为数智化病理业务提供全域资源保障。

1.计算层：采用“超融合+K8S”双层架构——底层由深信服超融合统一承载物理硬件、计算、存储与网络资源，提供节点故障自愈、动态资源调度（DRS）、虚拟机HA与容灾；上层由K8S承载数字病理、AI质控辅诊、大模型标准化训练等容器化业务，负责微服务调度、故障重启、灰度发布与弹性伸缩，实现“底层硬件故障由超融合兜底、上层应用异常由K8S接管”的全链路无单点。

2.存储层：部署6节点4U深信服分布式存储，提供3PB可用容量，底层以NVMe SSD高性能层叠加大容量机械硬盘容量层，通过智能冷热分层引擎，将近6个月活跃切片与训练数据自动存放在高性能层、历史数据自动迁移至大容量层，以20%的高性能层容量承载约80%的热点访问，整体存储成本下降38%，同时适配GB级大文件写入与小切片随机读取。

3.元数据层：选用专业病理数据高性能文件系统与全对称分布式架构，元数据按桶分片分散到集群各节点，内存缓存元数据规模较开源版本提升7倍，百亿规模文件下元数据性能不衰减，且元数据与数据I/O调度分离、不互相争抢资源。这一能力在病理场景下被放大为四项业务收益：

（1）AI大模型训练时，每加载1张1–5GB全幅切片会触发目录树、文件属性、Tile切分索引等大量元数据查询，元数据高并发能力直接决定训练吞吐；

（2）临床阅片时，医生随机调阅10年内任意切片，元数据桶+内存缓存可让“切片索引”几乎瞬时返回；

（3）病理文件内部Tile小图读取的“小I/O”热点与全幅切片“大文件读取”互不争抢；

（4）医院从3PB扩到10PB甚至30PB，元数据性能不会成为瓶颈。

4.网络层：建设面向AI训练、推理与分布式存储复制的高速以太无损网络，采用RoCE v2 RDMA方案，通过PFC/ECN等机制降低拥塞与丢包，支撑“大文件写入+小块随机读取+模型训练梯度同步”的混合负载，保障GPU训练、病理影像高并发调阅及多系统数据流转的低时延与高吞吐。

5.安全层：构建“内建保护+备份容灾+主动检测+精细访问控制”四层防护——数据层通过纠删码、多副本、快照提升可靠性；平台层通过主备集群与异步备份增强灾难恢复能力；运行层通过亚健康检测、异常行为识别、AI防勒索提升主动防御能力；访问层通过权限分级、传输加密、访问审计与隔离控制满足合规要求。

平台同时支持iSCSI/NFS/CIFS/S3/HDFS/并行文件等多协议统一接入，无缝对接商汤切片管理平台、AI质控辅诊平台、大模型标准化训练平台及医院HIS/PACS/PIS系统，业务系统无需大规模改造即可平滑上线。

六 建得怎么样：四项落地成效

1.业务承载稳定：平台上线后支撑胸腹水细胞学、支气管刷检细胞学、肺部细胞学穿刺等多款AI辅助诊断模型投入临床，“肺小结节冰冻”课题完成超1200例高质量标注，训练迭代超800轮，已实现细支气管腺瘤诊断准确率为99.4%，术式诊断准确率为90.8%。

2.效率显著提升：病理影像调阅效率大幅改善，结构化报告自动生成将部分病种报告出具时间缩短近50%，AI质控将切片质量水平提升35%，临床与科研协同效率同步提升。

3.成本结构优化：通过冷热分层与按需供给，整体存储成本下降38%，为后续PB级数据增长预留充足空间。

4.合规与安全闭环：数据全生命周期防护机制满足医疗数据合规要求，为医院后续开展精准医疗、科研转化提供可复制的数智化病理建设样板。